遗传算法在车牌特征选择的应用研究

研究车牌自动识别系统中的车牌特征选择问题.车牌特征选择结果的优劣将直接影响车牌识别准确率,因此选择对车牌字符识别能力强的特征是车牌自动识别中一个关键问题.由于传统特征选择方法计算时间长及标准遗传算法过早收敛的缺点,导致车牌字符识别准确率低.为了提高车牌识别的准确率,提出一种改进遗传算法的车牌特征选择方法,把车牌特征作为遗传算的种群中个体,以车牌识别率为目标函数,在算法前期采用保优策略,保持最优特征的多样性,来避免局部最优;在进化后期,当特征最优信息陷入停滞时,自适应调整进化参数,加快进化速度.仿真结果表明,选择车牌特征的车牌自动识别系统识别准确率达到了92.36%,远远高于标准遗传算法和自适应遗传算法的86.53%和90.3%,说明,改进方法不仅提高了车牌字符识别率,而且克服了传统遗传算法在特征选择过程中出现的早熟现象,防止陷入局部最优的缺点.     

基于模糊逻辑的遗传算法研究

克服遗传算法的过早收敛问题,改进遗传算法性能,本文提出评价群体多样性的两个指标,井结合两个指标应用模糊逻辑来调节遗传算法的交叉和变异概率。一组函数优化求解的实验结果表明,本文所提结合模糊逻辑的遗传算法。收敛速度快,不易陷入局部最优解。     

自适应遗传算法在多模图像配准中的应用

提出一种改进的自适应遗传算法并应用到多模图像配准的优化过程中,解决经典遗传算法后期存在的收敛过早的问题,该方法采用进化前后期分别调整交叉概率和变异概率、二次交叉以及移民策略等来克服传统遗传算法容易陷入局部最优的缺点.实验结果表明该算法具有一定的可行性和有效性.     

基于改进的遗传算法在函数优化中的应用

针对传统遗传算法在函数优化过程中容易陷入局部最优解、收敛慢等缺点,提出了一种新的自适应遗传算法NAGA。该算法考虑了种群适应度的多种集中分散程度,并且非线性地自适应调节遗传算法的交叉概率与变异概率;为了加快寻优效率,在选择算子方面将引进的选择算子与最优保存策略相结合;为了使遗传操作过程中种群数量恒定,又提出了保留亲本的策略。通过仿真实验发现,与经典遗传算法GA和IAGA相比,改进的自适应遗传算法在收敛速度与精准度等方面都有较大的进步。     

求解多极值点函数的改进遗传算法

给出的适应值标定公式能够解决对个体选择压力和标定后适应值非负问题，对多极值函数的遗传算法所提出的改进措施可以增加群体的多样性，避免算法“早熟”，过早陷入局部最优。     

基于遗传算法的最优直方图阈值图像分割算法

为了保证遗传算法能够尽快收敛到全局最优解,避免早熟现象发生,提出了适应度标定公式,保证适应度函数值总为正值。新的适应度函数能够正确引导群体的发展方向,提高选择压力;提出了相似度概念,保留相似性差的个体,剔除相似性个体。在不增加群体规模的前提下,增加了群体的多样性。为了有效地对图像进行分割,提出基于改进遗传算法的图像分割方法,采用Otsu公式,找出分割图像最优阈值。给出不同改进遗传算法计算实例比较和不同图像分割方法效果图。     

基于粒子群遗传算法的BP神经网络摄像机标定

摄像机标定是从二维图像提取三维空间信息的关键步骤,标定的精度直接关系到三维重构结果的逼真程度。为了有效解决传统摄像机标定算法中的多参数、计算费时费力等问题,提高摄像机标定的精度和速度,将粒子群遗传算法（particle swarm optimization genetic algorithm,PSO-GA）应用于摄像机标定中。对参数进行粒子群算法优化后,再使用遗传算法中的选择、交叉和变异等操作进行参数优化,以实现粒子群算法与遗传算法的融合。结合后的算法全局搜索能力较强,收敛速度更快,优化能力与鲁棒性得以提高。同时,基于神经网络的摄像机标定方法所能覆盖的标定空间十分有限,提出了一种采用粒子群遗传算法优化BP神经网络的摄像机标定方法,以解决传统摄像机标定方法难以解决的问题。实验数据表明,基于粒子群遗传算法的BP神经网络标定是一种可行的方法,标定精度高,收敛速度快,泛化能力强。     

基于遗传算法的摄像机自标定方法

针对摄像机自标定方法大多需要求解一个多元高维的非线性方程组,其求解过程非常困难,为此提出一种基于遗传算法的摄像机自标定方法,该方法通过二幅或多幅图像的多个对应匹配特征点,利用二个视图之间的极几何关系,建立某些相关约束,最后得到一个代价函数;然后,通过使用Matlab遗传算法工具箱来求解该函数的最小值,进而一次性求出摄像机所有内、外参数.因为该方法不必用到摄像机的外部信息,所以可推广到序列图像中的变参数情况下的摄像机自标定.实验结果表明,该方法简单、有效、快速,可用于摄像机自标定.     

改进量子遗传算法在多峰值函数寻优中的应用

针对标准量子遗传算法(QGA)在寻找多峰值最优时存在局部寻优能力较差和易早熟的缺陷,提出一种改进量子遗传算法(QQGA),运用基于概率划分的小生境协同进化策略初始化量子种群,并采用动态量子旋转角调整策略来加快收敛速度;加入量子移民和保优选择策略,提高规划效率,避免陷入局部最优。利用复杂二元函数测试改进量子遗传算法,结果比标准量子遗传算法效率高。     

基于自适应退火遗传算法的车间日作业计划调度方法

遗传算法、模拟退火算法、最优个体保护法在全局收敛性、种群早熟化、收敛速度慢等方面存在应用缺陷.文中提出了自适应退火遗传算法解决车间日作业计划的调度问题.该算法针对遗传算法中组成编码串的变异概率在整个搜索过程中是固定不变的,而且取值较小,促使算法的求解过程很长,且易走向局部最小值,提出自适应变异概率的概念与理论改善遗传算法的收敛速度;针对选择算子对种群多样性的影响,提出整体退火选择的方式(Boltzmann概率选择机制)选择杂交母体,以克服种群早熟化,避免过早收敛.最后结合车间日作业计划静态调度模型给出求解算法和求解实例.     

基于遗传算法的摄像机自标定方法

摄像机标定是计算机视觉领域的关键技术，其中的自标定是只根据图像计算摄像机的内参数，其标定过程简单，适用性强。由于传统的用于摄像机自标定的Kruppa方程不仅需要计算基础矩阵，还要计算图像的极点，而图像的极点又不是固定不变的，且会导致计算结果的不稳定，为此，针对传统摄像机自标定方法的上述不足，利用遗传算法完成了Hartley新的Kruppa方程的摄像机自标定过程，以便将这个过程完全转化为通过代价函数最小化来求得摄像机的内参数，这就排除了极点的不稳定因素。实验结果表明，该方法是简单、有效的，可以作为一种通用的标定工具。     

改进遗传算法在自动组卷中的应用研究

为了避免遗传算法在自动组卷中存在的未成熟收敛和收敛速度慢等弱点,根据群体适应值的分布特点,采用了基于小生境的改进自适应遗传算法。该算法采用模拟小生境法选择算子进行种群选取,并对交叉算子和变异算子进行了优化,实现了交叉和变异概率的非线性自适应调整。改进后的算法明显提高了组卷的成功率和收敛速度,取得了满意的组卷效果。     

An improved self-calibration approach based on adaptive genetic algorithm for position-based visual servo

An improved self-calibrating algorithm for visual servo based on adaptive genetic algorithm is proposed in this paper. Our approach introduces an extension of Mendonca-Cipolla and G. Chesi＇s self-calibration for the positionbased visual servo technique which exploits the singular value property of the essential matrix. Specifically, a suitable dynamic online cost function is generated according to the property of the three singular values. The visual servo process is carried out simultaneous to the dynamic self-calibration, and then the cost function is minimized using the adaptive genetic algorithm instead of the gradient descent method in G. Chesi＇s approach. Moreover, this method overcomes the limitation that the initial parameters must be selected close to the true value, which is not constant in many cases. It is not necessary to know exactly the camera intrinsic parameters when using our approach, instead, coarse coding bounds of the five parameters are enough for the algorithm, which can be done once and for all off-line. Besides, this algorithm does not require knowledge of the 3D model of the object. Simulation experiments are carried out and the results demonstrate that the proposed approach provides a fast convergence speed and robustness against unpredictable perturbations of camera parameters, and it is an effective and efficient visual servo algorithm.     

遗传算法中交叉和变异概率选择的自适应方法及作用机理

在指出了传统遗传算法中交叉和变异概率的选择具有盲目性的基础上, 提出了遗传算法中交叉和变异概率选择的改进措施, 对其作用机理进行了深入的分析, 指出改进算法体现了自适应策略. 用一个非常复杂的数学函数对新算法进行了测试, 结果表明改进算法克服了传统遗传算法难以解决的早熟和局部收敛的问题.     

一种基于Kruppa方程的分步自标定方法

针对摄像机自标定中Kruppa方程求解的非线性优化问题和标定结果的欠鲁棒性,提出一种基于Kruppa方程的分步自标定方法。根据两图像匹配的特征点对采用8点算法求解相应的基本矩阵,其中待匹配图像选用摄像机对同一场景在不同焦距下拍摄的两帧图片,对图片的特征匹配点建立约束关系,采用最小二乘法求出摄像机的主点坐标,然后利用遗传算法优化Kruppa方程的比例因子,最后通过优化后的比例因子完成摄像机的标定。实验表明,该方法可提高标定精度,并通过对特征点坐标加入高斯噪声,验证了算法的鲁棒性。     

一种用于智能组卷的自适应小生境遗传算法

在采用遗传算法进行智能组卷的过程中,常出现选择策略缺乏多样性保护机制的现象,易出现早熟收敛。为解决智能组卷的早熟收敛问题,提出一种自适应小生境遗传算法。采用小生境技术可提高个体的选择概率,增加个体的多样性选择机率;在保证算法收敛速度的情况下,给出一种一致变异算子,同时调节个体的变异概率和变异范围,提高种群多样性。最后,通过具体实例验证了该算法在较短的组卷时间内,可以实现全局寻优的结果,从而证明该算法的有效性。自适应小生境遗传算法在智能组卷中的应用具有实际意义。     

混合优化算法的摄像机自标定方法研究*

提出了一种将改进的遗传算法和Levenberg Marquardt(LM)算法相混合优化的摄像机自标定方法。首先将Hartley定义的简化Kruppa方程转换为优化代价函数,然后利用改进的遗传算法和LM算法相混合的优化算法求优化代价函数的最小值,进而求得摄像机的内参数。实验结果表明,与单一的优化方法相比,该方法的标定精度得到了较大的提高。     

改进遗传算法在地层对比中的应用

针对简单遗传算法存在早收敛和在进化后期搜索效率较低的缺点,提出了一种变参数的遗传算法。该算法对种群的个体赋予寿命,并根据寿命对遗传算法的选择、交叉和变异算子以及种群规模自动调整,能够有效防止早收敛并改善遗传算法收敛性能。并用改进的遗传算法解决基于测井曲线的地层对比的问题,取得了较好效果,验证了算法可用性和高效性。     

面向供水管网水力模型自动校核问题的改进遗传算法

水力模型自动校核旨在提高供水管网智能化管理中模型的准确性,目前广泛使用遗传算法进行自动校核. 针对标准遗传算法收敛速度慢,并且容易陷入局部最优解的问题,本文对标准遗传算法进了改进,利用模拟退火法对适应度函数进行了拉伸,采用轮盘赌和最优保留策略相合的方法代替传统的选择方法,在交叉操作中加入了相似度函数避免了近亲杂交,并且使用双重收敛判断准则减少不必要的计算时间. 引入G市某区域供水管网水力模型为案例,使用改进后的遗传算法进行自动校核. 结果表明,改进的遗传算法求解效率和求解精度都有较大的提高.     

改进的粒子群算法在动态OD矩阵反推中的应用

针对粒子群算法存在收敛速度慢和局部最优的问题,引入粒子间相对位置改进基于抗体浓度的概率选择公式,提出了一种带免疫机理的改进粒子群算法。粒子不仅根据个体极值和全局极值更新速度和位置,而且按一定概率以轮盘赌法选择某个粒子进行学习,以保持种群多样性,防止出现早熟停滞现象。并将其用于由路段流量反推OD矩阵的极大熵模型求解研究中,以重庆市某交叉路口为实例进行实验,结果表明：粒子群算法推算OD矩阵是有效、可行的,可以克服牛顿法严格依赖初始值的缺点;改进的粒子群算法比基本粒子群算法和基本遗传算法具有更好的全局寻优能力。