高斯过程下的CMA-ES在医学图像配准中的应用

为了改进协方差矩阵自适应进化策略(CMA-ES)的性能,提出了一种高斯过程协助下的协方差矩阵自适应进化策略(GPACMA-ES)。该策略利用CMA-ES中的协方差矩阵构建核函数,引入高斯过程,在线学习历史经验,并根据历史经验预测全局最优解的最有前景区域,有效地降低了适应度函数的评价次数。同时,为了提高群体的搜索效率,引入了置信区间。群体在置信区间内更高效地采样,使得算法具备更快的收敛速度和全局寻优能力。最后,将GPACMA-ES算法应用于医学图像配准中,配准精度和效率均高于标准的CMA-ES算法。