人工智能遺傳算法論文

　　本文對(duì)遺傳算法在人工智能方面的應(yīng)用進(jìn)行介紹，通過遺傳算法對(duì)全局運(yùn)動(dòng)估計(jì)的解決方案進(jìn)行分析，最后就人工智能在算法的發(fā)展方向方面進(jìn)行了展望和總結(jié)。以下是學(xué)習(xí)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(duì)遺傳算法在人工智能方面的應(yīng)用進(jìn)行介紹，通過遺傳算法對(duì)全局運(yùn)動(dòng)估計(jì)的解決方案進(jìn)行分析，最后就人工智能在算法的發(fā)展方向方面進(jìn)行了展望和總結(jié)。

　　所謂人工智能，就是人工的方法通過計(jì)算機(jī)實(shí)現(xiàn)智能化功能，或者說是人們使用機(jī)器模擬人類的智能。由于人工智能是在機(jī)器上實(shí)現(xiàn)的，所以又稱為機(jī)器智能。從另一個(gè)角度來看，人工智能是研究怎樣使計(jì)算機(jī)來模仿人腦從事的推理、證明、識(shí)別、理解、設(shè)計(jì)、學(xué)習(xí)、思考、規(guī)劃及問題求解等思維活動(dòng)，來解決人類專家才能處理的復(fù)雜問題。人工智能的算法很多，包括遺傳算法、進(jìn)化算法、蟻群算法和專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)等。

　　1 遺傳算法

　　遺傳算法的思想是先確定編碼方案，對(duì)待尋優(yōu)的缺陷特征參數(shù)進(jìn)行編碼，按一定規(guī)模初始化種群，種群中的每一個(gè)各體就代表了一個(gè)可能的解;然后根據(jù)適應(yīng)度值函數(shù)計(jì)算每一個(gè)各體的適應(yīng)度值并依此決定遺傳操作。根據(jù)預(yù)先確定好的種群選擇方案，按一定的概率對(duì)種群進(jìn)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(diǎn)如下：

　　1.1 遺傳算法優(yōu)點(diǎn)。不是從單個(gè)點(diǎn)，而是從多個(gè)點(diǎn)構(gòu)成的群體開始搜索。之所以說是從多點(diǎn)而不是從單點(diǎn)出發(fā)，那是因?yàn)檎麄€(gè)算法的開始是從一個(gè)初始種群開始搜索演練最優(yōu)解，是從多個(gè)點(diǎn)開始搜索進(jìn)化尋找，這樣的做的一個(gè)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(jī)制，以一定的概率在整個(gè)求解空間中探索最優(yōu)解。由于它們可以把搜索空間擴(kuò)展到整個(gè)問題空間，因而具有全局優(yōu)化性能。同時(shí)也縮短了整個(gè)搜尋額時(shí)間，整體上效率更高、結(jié)果更接近最優(yōu)解。

　　實(shí)現(xiàn)簡(jiǎn)單，沒有復(fù)雜的數(shù)學(xué)計(jì)算，在算法中，一般都有大量且復(fù)雜的計(jì)算作為整個(gè)算法的支撐，同時(shí)數(shù)學(xué)計(jì)算也是一步比較耗資源和時(shí)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(biāo)函數(shù)值轉(zhuǎn)換得來的適應(yīng)度信息再加上簡(jiǎn)單的比較，而不需要導(dǎo)數(shù)等其它輔助信息，操作流程也比較簡(jiǎn)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(qiáng)的自適應(yīng)性。

　　搜索過程不易陷入局部最優(yōu)點(diǎn)。目前，該算法已滲透到許多領(lǐng)域，并成為解決各領(lǐng)域復(fù)雜問題的有力工具，因?yàn)槭窃谡麄€(gè)求解空間中探索最優(yōu)解，所以，基本上不會(huì)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(gè)個(gè)體，它是一個(gè)基因型串結(jié)構(gòu)數(shù)據(jù);同時(shí)，可以將目標(biāo)函數(shù)值轉(zhuǎn)換成適應(yīng)值，它用來評(píng)價(jià)個(gè)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(diǎn)。首先，傳統(tǒng)的遺傳算法編碼和解碼比較復(fù)雜，因?yàn)閭鹘y(tǒng)的遺傳算法的染色體是用二進(jìn)制編制的，一個(gè)染色體就是一串0和1組成的位串或是字符串，在進(jìn)化前需要做復(fù)雜的編碼工作，而在得到最優(yōu)解后還要做復(fù)雜的解碼工作，比較繁瑣和復(fù)雜，在遺傳操作過程中也不易掌控，容易出錯(cuò);其次，算法對(duì)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(yīng)用

　　遺傳算法在人工智能的眾多領(lǐng)域便得到了廣泛應(yīng)用[2]。例如，機(jī)器學(xué)習(xí)、聚類、控制(如煤氣管道控制)、規(guī)劃(如生產(chǎn)任務(wù)規(guī)劃)、設(shè)計(jì)(如通信網(wǎng)絡(luò)設(shè)計(jì)、布局設(shè)計(jì))、調(diào)度(如作業(yè)車間調(diào)度、機(jī)器調(diào)度、運(yùn)輸問題)、配置(機(jī)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(hào)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(jìn)一步擴(kuò)展和提高。例如，將遺傳算法與模糊技術(shù)、神經(jīng)網(wǎng)絡(luò)相結(jié)合，已取得了不少成果。

　　因?yàn)檫z傳算法是模擬生物的進(jìn)化過程的一類人工智能算法，所以，在算法的初始階段，應(yīng)該給一個(gè)初始種群給算法來進(jìn)化演練。

　　因此，第一步是初始化種群，在初始化種群時(shí)，種群的大小要設(shè)計(jì)科學(xué)，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(jìn)入遺傳演練階段，遺傳的第一步操作是對(duì)種群的每個(gè)個(gè)體計(jì)算適應(yīng)度，然后進(jìn)入遺傳演練。

　　在演練過程中，模仿生物的進(jìn)化過程，有雙親結(jié)合產(chǎn)生下一代個(gè)體，為了能夠保證種群的多樣化和過早的收斂于某一個(gè)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(gè)體符合最優(yōu)解的特征，那么整個(gè)演練過程就可以提前結(jié)束了，否則，遺傳演練會(huì)一直進(jìn)行下去，知道收斂于某一個(gè)最優(yōu)解或是到達(dá)最大遺傳代數(shù)。

　　3 遺傳算法的全局運(yùn)動(dòng)估計(jì)

　　運(yùn)動(dòng)估計(jì)是連續(xù)圖像運(yùn)動(dòng)中圖像量化的過程，全局運(yùn)動(dòng)一般是指相關(guān)相機(jī)的運(yùn)動(dòng)。一個(gè)圖像序列全局運(yùn)動(dòng)的出現(xiàn)被認(rèn)為是有意的，例如對(duì)于平移、縮放等;或無意的，例如手顫抖或相機(jī)擺放不穩(wěn)等。后者的全局運(yùn)動(dòng)容易產(chǎn)生影響視頻質(zhì)量的不利因素，如抖動(dòng)。從壓縮的角度來看，這種易抖動(dòng)的運(yùn)動(dòng)會(huì)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(yùn)動(dòng)估計(jì)(GME)方法的視頻序列所產(chǎn)生的抖動(dòng)。

　　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(shí)別潛在的興趣點(diǎn)，基于紋理結(jié)構(gòu)相關(guān)標(biāo)準(zhǔn)如角落和邊緣，強(qiáng)調(diào)區(qū)分物理真實(shí)對(duì)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?yàn)楸旧硎窍鄬?duì)成熟的特征跟蹤，在特征提取與選擇過程中全球運(yùn)動(dòng)估計(jì)的魯棒性至關(guān)重要。我們指出，在運(yùn)動(dòng)的像素組中出現(xiàn)的信息對(duì)應(yīng)不同的真實(shí)結(jié)構(gòu)，如深度不連續(xù)，也可以很好的對(duì)應(yīng)相機(jī)的運(yùn)動(dòng)。這種經(jīng)典的方法可能涉及潛在信息的損失，同時(shí)，選擇程序的跟蹤能力和異常值濾除能力可能與相機(jī)的運(yùn)動(dòng)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(xué)習(xí)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(yùn)動(dòng)估計(jì)中得到體現(xiàn)。這種方法與經(jīng)典的算法不同，事實(shí)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(yùn)動(dòng)評(píng)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(yùn)動(dòng)估計(jì)中的應(yīng)用，我們可以看出通過選擇一個(gè)合適的適應(yīng)度函數(shù)，直接與估計(jì)的魯棒性進(jìn)行比較，該方法可以確保視頻圖像的增強(qiáng)性能，特別是應(yīng)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(jìn)行全面的發(fā)展，其中數(shù)據(jù)挖掘與網(wǎng)絡(luò)智能、人工神經(jīng)元網(wǎng)絡(luò)和貝葉斯網(wǎng)絡(luò)數(shù)據(jù)挖掘是一種從大型數(shù)據(jù)庫(kù)或數(shù)據(jù)倉(cāng)庫(kù)中提取隱藏的預(yù)測(cè)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(jià)值的信息和知識(shí)，指導(dǎo)商業(yè)行為或輔助科學(xué)研究。仿照生理網(wǎng)絡(luò)結(jié)構(gòu)的非線性預(yù)測(cè)模型，通過學(xué)習(xí)進(jìn)行模式識(shí)別。神經(jīng)網(wǎng)絡(luò)最早是由心理學(xué)家和神經(jīng)生物學(xué)家提出的，旨在尋求開發(fā)和測(cè)試神經(jīng)的計(jì)算模擬。神經(jīng)網(wǎng)絡(luò)是一組連接的輸入/輸出單元——神經(jīng)元，其中每個(gè)連接都與一個(gè)權(quán)相對(duì)應(yīng)。貝葉斯信任網(wǎng)描述一組隨機(jī)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(diǎn)來表示的，節(jié)點(diǎn)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(shí)際中的廣泛應(yīng)用。

下一頁(yè)分享更優(yōu)秀的<<<人工智能遺傳算法論文