人工智能遺傳算法論文

　　本文對遺傳算法在人工智能方面的應用進行介紹，通過遺傳算法對全局運動估計的解決方案進行分析，最后就人工智能在算法的發(fā)展方向方面進行了展望和總結(jié)。以下是學習啦小編整理分享的人工智能遺傳算法論文的相關(guān)資料，歡迎閱讀!

　　人工智能遺傳算法論文篇一

　　摘要：本文對遺傳算法在人工智能方面的應用進行介紹，通過遺傳算法對全局運動估計的解決方案進行分析，最后就人工智能在算法的發(fā)展方向方面進行了展望和總結(jié)。

　　所謂人工智能，就是人工的方法通過計算機實現(xiàn)智能化功能，或者說是人們使用機器模擬人類的智能。由于人工智能是在機器上實現(xiàn)的，所以又稱為機器智能。從另一個角度來看，人工智能是研究怎樣使計算機來模仿人腦從事的推理、證明、識別、理解、設計、學習、思考、規(guī)劃及問題求解等思維活動，來解決人類專家才能處理的復雜問題。人工智能的算法很多，包括遺傳算法、進化算法、蟻群算法和專家系統(tǒng)、神經(jīng)網(wǎng)絡等。

　　1 遺傳算法

　　遺傳算法的思想是先確定編碼方案，對待尋優(yōu)的缺陷特征參數(shù)進行編碼，按一定規(guī)模初始化種群，種群中的每一個各體就代表了一個可能的解;然后根據(jù)適應度值函數(shù)計算每一個各體的適應度值并依此決定遺傳操作。根據(jù)預先確定好的種群選擇方案，按一定的概率對種群進行交叉、變異得到下一代，直到遺傳算法的終止條件得到滿足。與傳統(tǒng)的優(yōu)化算法相比，具有的優(yōu)缺點如下：

　　1.1 遺傳算法優(yōu)點。不是從單個點，而是從多個點構(gòu)成的群體開始搜索。之所以說是從多點而不是從單點出發(fā)，那是因為整個算法的開始是從一個初始種群開始搜索演練最優(yōu)解，是從多個點開始搜索進化尋找，這樣的做的一個好處是避免局部尋找最優(yōu)解，從任一解出發(fā)，按照某種機制，以一定的概率在整個求解空間中探索最優(yōu)解。由于它們可以把搜索空間擴展到整個問題空間，因而具有全局優(yōu)化性能。同時也縮短了整個搜尋額時間，整體上效率更高、結(jié)果更接近最優(yōu)解。

　　實現(xiàn)簡單，沒有復雜的數(shù)學計算，在算法中，一般都有大量且復雜的計算作為整個算法的支撐，同時數(shù)學計算也是一步比較耗資源和時間的操作，然后在遺傳算法中，在搜索最優(yōu)解過程中，只需要由目標函數(shù)值轉(zhuǎn)換得來的適應度信息再加上簡單的比較，而不需要導數(shù)等其它輔助信息，操作流程也比較簡單，沒有過多的轉(zhuǎn)換控制操作，中間也沒有多少中間變量，算法具有較強的自適應性。

　　搜索過程不易陷入局部最優(yōu)點。目前，該算法已滲透到許多領(lǐng)域，并成為解決各領(lǐng)域復雜問題的有力工具，因為是在整個求解空間中探索最優(yōu)解，所以，基本上不會陷入局部最優(yōu)解中去。

　　在遺傳算法中，將問題空間中的決策變量通過一定編碼方法表示成遺傳空間的一個個體，它是一個基因型串結(jié)構(gòu)數(shù)據(jù);同時，可以將目標函數(shù)值轉(zhuǎn)換成適應值，它用來評價個體的優(yōu)劣，并作為遺傳操作的依據(jù)。

　　但是，傳統(tǒng)的遺傳算法同樣擁有缺陷。

　　1.2 遺傳算法缺點。首先，傳統(tǒng)的遺傳算法編碼和解碼比較復雜，因為傳統(tǒng)的遺傳算法的染色體是用二進制編制的，一個染色體就是一串0和1組成的位串或是字符串，在進化前需要做復雜的編碼工作，而在得到最優(yōu)解后還要做復雜的解碼工作，比較繁瑣和復雜，在遺傳操作過程中也不易掌控，容易出錯;其次，算法對初始種群的選擇有一定的依賴性。

　　2 遺傳算法在人工智能領(lǐng)域的應用

　　遺傳算法在人工智能的眾多領(lǐng)域便得到了廣泛應用[2]。例如，機器學習、聚類、控制(如煤氣管道控制)、規(guī)劃(如生產(chǎn)任務規(guī)劃)、設計(如通信網(wǎng)絡設計、布局設計)、調(diào)度(如作業(yè)車間調(diào)度、機器調(diào)度、運輸問題)、配置(機器配置、分配問題)、組合優(yōu)化(如TSP、背包問題)、函數(shù)的最大值以及圖像處理和信號處理等等。

　　另一方面，人們又將遺傳算法與其他智能算法和技術(shù)相結(jié)合，使其問題求解能力得到進一步擴展和提高。例如，將遺傳算法與模糊技術(shù)、神經(jīng)網(wǎng)絡相結(jié)合，已取得了不少成果。

　　因為遺傳算法是模擬生物的進化過程的一類人工智能算法，所以，在算法的初始階段，應該給一個初始種群給算法來進化演練。

　　因此，第一步是初始化種群，在初始化種群時，種群的大小要設計科學，這樣才能最大力度的發(fā)揮遺傳算法的性能。

　　在初始化種群后，就要開始進入遺傳演練階段，遺傳的第一步操作是對種群的每個個體計算適應度，然后進入遺傳演練。

　　在演練過程中，模仿生物的進化過程，有雙親結(jié)合產(chǎn)生下一代個體，為了能夠保證種群的多樣化和過早的收斂于某一個局部最優(yōu)解，有了變異操作。

　　在遺傳操作過程中，如果某一代中有個體符合最優(yōu)解的特征，那么整個演練過程就可以提前結(jié)束了，否則，遺傳演練會一直進行下去，知道收斂于某一個最優(yōu)解或是到達最大遺傳代數(shù)。

　　3 遺傳算法的全局運動估計

　　運動估計是連續(xù)圖像運動中圖像量化的過程，全局運動一般是指相關(guān)相機的運動。一個圖像序列全局運動的出現(xiàn)被認為是有意的，例如對于平移、縮放等;或無意的，例如手顫抖或相機擺放不穩(wěn)等。后者的全局運動容易產(chǎn)生影響視頻質(zhì)量的不利因素，如抖動。從壓縮的角度來看，這種易抖動的運動會造成不必要的高比特率，因此需要抑制。視頻的穩(wěn)定化方法意在減少這種采用全局運動估計(GME)方法的視頻序列所產(chǎn)生的抖動。

　　基于特征的方法為保證GME的魯棒性需要特征提取與選擇具有一致性。提取的過程包括識別潛在的興趣點，基于紋理結(jié)構(gòu)相關(guān)標準如角落和邊緣，強調(diào)區(qū)分物理真實對象。然后基于他們的跟蹤能力選擇較好的特征。跟蹤能力的性能取決于后續(xù)幀中的彈性變形、閉塞等。因為本身是相對成熟的特征跟蹤，在特征提取與選擇過程中全球運動估計的魯棒性至關(guān)重要。我們指出，在運動的像素組中出現(xiàn)的信息對應不同的真實結(jié)構(gòu)，如深度不連續(xù)，也可以很好的對應相機的運動。這種經(jīng)典的方法可能涉及潛在信息的損失，同時，選擇程序的跟蹤能力和異常值濾除能力可能與相機的運動不相關(guān)。

　　通過一種新的遺傳算法(GA)的方法，它結(jié)合了特征提取與選擇的過程。這種方法有效地學習最佳特征，即跟蹤過程中的群像素，結(jié)果的有效性在全局最大運動估計中得到體現(xiàn)。這種方法與經(jīng)典的算法不同，事實上我們的做法是基于盲目的結(jié)構(gòu)內(nèi)容特性，而不是任意的子像素的全局運動評估。這種方法特別適用于視頻穩(wěn)定的過程。

　　4 展望

　　根據(jù)上述在人工智能方面，基于遺傳算法的特征提取與選擇在全球運動估計中的應用，我們可以看出通過選擇一個合適的適應度函數(shù)，直接與估計的魯棒性進行比較，該方法可以確保視頻圖像的增強性能，特別是應用于視頻穩(wěn)定。

　　隨著科技的不斷發(fā)展，更為新穎的人工智能算法在進行全面的發(fā)展，其中數(shù)據(jù)挖掘與網(wǎng)絡智能、人工神經(jīng)元網(wǎng)絡和貝葉斯網(wǎng)絡數(shù)據(jù)挖掘是一種從大型數(shù)據(jù)庫或數(shù)據(jù)倉庫中提取隱藏的預測性信息的技術(shù)，它能挖掘出數(shù)據(jù)間潛在的模式，找出最有價值的信息和知識，指導商業(yè)行為或輔助科學研究。仿照生理網(wǎng)絡結(jié)構(gòu)的非線性預測模型，通過學習進行模式識別。神經(jīng)網(wǎng)絡最早是由心理學家和神經(jīng)生物學家提出的，旨在尋求開發(fā)和測試神經(jīng)的計算模擬。神經(jīng)網(wǎng)絡是一組連接的輸入/輸出單元——神經(jīng)元，其中每個連接都與一個權(quán)相對應。貝葉斯信任網(wǎng)描述一組隨機變量的聯(lián)合概率分布，它是用有向的無環(huán)圖來表示的，聯(lián)合空間中的每一變量在貝葉斯網(wǎng)中是用節(jié)點來表示的，節(jié)點的值可以是兩值或多值。

　　這些研究方法將繼續(xù)使得人工智能的發(fā)展更為迅速，并且得到在實際中的廣泛應用。

下一頁分享更優(yōu)秀的<<<人工智能遺傳算法論文