遗传算法（Genetic Algorithm，GA）
模拟生物进化论的自然选择和遗传学进化历程的盘算模子，是一种通过模拟自然进化历程随机搜索最优解的方式,体现了适者生存、优胜劣汰的进化原则，其主要特点是直接对结构工具举行操作，不存在求导和函数连续性的限制，具有并行性和较强的全局寻优能力。
求解步骤
1）编码：界说问题的解空间到染色体编码空间的映射，一个候选解(个体)用一串符号示意。
2）初始化种群：在一定的限制条件下初始化种群，该种群是解空间的一个子空间。
3）设计顺应度函数：将种群中的每个染色体解码成适于顺应度函数的形式，盘算其数值。
4）选择：凭据顺应度巨细选择优异个体滋生下一代，顺应度越高，选择概率越大。
5）交织：随机选择两个用于滋生下一代的个体的相同位置，在选中的位置执行交流。
6）变异：对某个串中的基因按突变概率举行翻转。
面试的自我介绍怎么说，面试最佳自我介绍范文
7）从步骤4最先重复举行，直到知足某一性能指标或划定的遗传代数。
蚁群算法（Ant colony optimization, ACO）
其灵感来源于蚂蚁觅食。
通过在所经路径上留下信息向来相互传递信息，信息素浓度较高的线路就会吸引更多的蚂蚁，经由多次迭代，蚂蚁就能找到蚁巢到食物的最短路径。该算法具有并行性、强鲁棒性、正反馈性和自顺应性，能用于解决大多数优化问题，在图像支解、边缘检测、分类、匹配、识别等领域有主要应用。
模拟退火算法（Simulated Annealing ，SA）
来源于物理中固体退火原理。将固体加温至充实高,再让其冷却,加温时,固体内部粒子随温升变为无序状,内能增大,冷却时粒子渐趋有序,在每个温度都到达平衡态,最后在常温时到达基态,内能减为最小,sA具有全局优化性能,在工程中获得普遍应用。模拟退火算可以分解为解空间、目的函数和初始解三部门。
粒子群算法（Particle Swarm Optimization，PSO）
源于对鸟群捕食的行为研究。
在对动物集群流动行为考察基础上,行使群体中的个体对信息的共享使整个群体的运动在问题求解空间中发生从无序到有序的演化历程,从而获得最优解。同遗传算法类似,是一种基于迭代的优化算法，他的优势在于简朴容易实现而且没有许多参数需要调整,普遍应用于函数优化、神经网络、模糊控制等领域。
以上四种算法在图像边缘检测、图像支解、图像识别、图像匹配、图像分类等领域有普遍应用。现在大多数人工智能算法还不是稀奇成熟，随着科学的生长还会有更多的智能算法被发现，在图像处置方面的应用也在不停深化，将多种智能算法举行融合将是未来一个主要的生长方向。
本文来源于自互联网，不代表n5网立场，侵删。发布者：虚拟资源中心，转载请注明出处：https://www.n5w.com/44758.html
微信扫一扫 
