基因算法 文献综述
文献综述
1遗传算法的起源
当前科学技术正进入多学科互相交叉、互相渗透、互相影响的时代，生命科学与工程科学的交叉、渗透和相互促进是其中一个典型例子，也是近代科学技术发展的一个显著特点。遗传算法的蓬勃发展正体现了科学发展的这一特点和趋势。
1967年，Holland的学生在博士论文中首次提出“遗传算法”（Genetic Algorithms）一词。此后，Holland指导学生完成了多篇有关遗传算法研究的论文。1971年，R.B.Hollstien在他的博士论文中首次把遗传算法用于函数优化。1975年Holland出版了他的著名专著《自然系统和人工系统的自适应》（Adaptation in Natural and Artificial Systems），这是第一本系统论述遗传算法的专著，因此有人把1975年作为遗传算法的诞生年。Holland在该书中系统地阐述了遗传算法的基本理论和方法，并提出了对遗传算法的理论研究和发展极其重要的模式理论（schema theory）。该理论首次确认了结构重组遗传操作对于获得并行性的重要性。同年，K.A.De Jong完成了他的博士论文《一类遗传自适应系统的行为分析》（An Analysis of the Behavior of a Class of Genetic Adaptive System）。该论文所做的研究工作，可看作是遗传算法发展进程中的一个里程碑，这是因为，他把Holland的模式理论与他的计算实验结合起来。尽管De Jong和Hollstien 一样主要侧重于函数优化的应用研究，但他将选择、交叉和变异操作进一步完善和系统化，同时又提出了诸如代沟（generation gap）等新的遗传操作技术。可以认为，De Jong的研究工作为遗传算法及其应用打下了坚实的基础，他所得出的许多结论，迄今仍具有普遍的指导意义。
进入八十年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。1985年，在美国召开了第一届遗传算法国际会议（International Conference on Genetic Algorithms ，ICGA），并且成立国际遗传算法学会（International Society of Genetic Algorithms ，ISGA），以后每两年举行一次。
1989年，Holland的学生D.E.Goldberg出版了专著《搜索、优化和机器学习中的遗传算法》（Genetic Algorithms in Search , Optimization, and Machine
Learning）。该书总结了遗传算法研究的主要成果，对遗传算法及其应用作了全
面而系统的论述。同年，美国斯坦福大学的Koza基于自然选择原则创造性地提
出了用层次化的计算机程序来表达问题的遗传程序设计( genetic programming, GP)方法，成功地解决了许多问题。
在欧洲，从1990年开始每隔一年举办一次Parallel Problem Solving from Nature 学术会议，其中遗传算法是会议主要内容之一。此外，以遗传算法的理
论基础为中心的学术会议还有Foundations of Genetic Algorithms，该会也是
从1990年开始隔年召开一次。这些国际会议论文，集中反映了遗传算法近些年
来的最新发展和动向。
1991年，L.Davis编辑出版了《遗传算法手册》（Handbook of Genetic Algorithms），其中包括了遗传算法在工程技术和社会生活中的大量应用实例。
1992年，Koza发表了他的专著《遗传程序设计:基于自然选择法则的计算机
程序设计》”。1994年，他又出版了《遗传程序设计，第二册:可重用程序的自动
发现》深化了遗传程序设计的研究，使程序设计自动化展现了新局面。有关遗传
算法的学术论文也不断在《Artificial Intelligence》、《Machine Learning》、《Information science》、《Parallel Computing》、《Genetic Programming and Evoluable Machines》、《IEEE Transactions on Neural Networks》、《IEEE Transactions on Signal Processing》等杂志上发表。1993年，MIT出版社创
刊了新杂志《Evolutionary Computation》。1997年，IEEE又创刊了《Transactions on Evolutionary Computation》。《Advanced Computational Intelligence》杂
志即将发刊，由模糊集合创始人L.A.Zadeh教授为名誉主编。目前，关于遗传算
法研究的热潮仍在持续，越来越多的从事不同领域的研究人员已经或正在置身于
有关遗传算法的研究或应用之中。
遗传算法(Genetic Algorithm, GA)是近三十年来迅速发展起来的一种全新
的随机搜索与优化算法,其基本思想是基于Darwin的进化论和Mendel的遗传学说。该算法由密执安大学教授Holland及其学生于1975年创建。此后，遗传算
法的研究引起了国内外学者的关注。自1985年以来.国际上已召开了多次遗传算
法的学术会议和研讨会.国际遗传算法学会组织召开的ICGA( International Conference on Genetic Algorithms)会议和FOGA( Workshop on Foundation of Genetic Algorithms)会议。为研究和应用遗传算法提供了国际交流的机会。
作为一种通用的问题求解方法，遗传算法采用简单的编码技术来表示各种复
杂的结构并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来
指导学习和确定搜索的方向。
遗传程序设计是借鉴生物界的自然选择和遗传机制，在遗传算法的基础上发展起来的搜索算法，它已成为进化计算的一个新分支。在标准的遗传算法中，由定长字符串(问题的可行解)组成的群体借助于复制、交叉、变异等遗传操作不断进化找到问题的最优解或次优解。遗传程序设计运用遗传算法的思想，常采用树的结构来表示计算机程序，从而解决问题。对于许多问题，包括人工智能和机器学习上的问题都可看作是需要发现一个计算机程序，即对特定输入产生特定输出的程序，形式化为程序归纳，那么遗传程序设计提供了实现程序归纳的方法。
把遗传算法和计算机程序结合起来的思想出现在遗传算法中，Holland把产生式语言和遗传算法结合起来实现分类系统，还有一些遗传算法应用领域的研究者将类似于遗传算法的遗传操作施加于树结构的程序上。
近年来，遗传程序设计运用遗传算法的思想自动生成计算机程序解决了许多问题，如预测、分类、符号回归和图像处理等，作为一种新技术，它已经与遗传算法并驾齐驱。 1996年，举行了第1次遗传程序设计国际会议，该领域己引起越来越多的相关学者们的兴趣。现在的基因表达式算法应该算是遗传算法的继承者。
2遗传算法的概念
遗传算法和字面意思一样，原理是关于遗传的算法。遗传算法的基本思想是基于Darwin进化论和Mendel的遗传学说的。
生物的进化是一个奇妙的优化过程，它通过选择淘汰，突然变异，基因遗传等规律产生适应环境变化的优良物种。遗传算法是根据生物进化思想而启发得出的一种全局优化算法。
遗传算法的概念最早是由Bagley J.D在1967年提出的；而开始遗传算法的理论和方法的系统性研究的是1975年，这一开创性工作是由Michigan大学的J.H.Holland所实行。当时，其主要目的不是对遗传算法系统研究而是说明自然和人工系统的自适应过程。
遗传算法简称GA(Genetic Algorithm)，在本质上是一种不依赖具体问题的直接搜索方法。遗传算法在模式识别、神经网络、图像处理、机器学习、工业优化控制、自适应控制、生物科学、社会科学等方面都得到应用。在人工智能研究中，现在人们认为“遗传算法、自适应系统、细胞自动机、混沌理论与人工智能
一样，都是对今后十年的计算技术有重大影响的关键技术”。
遗传算法的基本思想是基于Darwin进化论和Mendel的遗传学说的。
Darwin进化论最重要的是适者生存原理。它认为每一物种在发展中越来越适应环境。物种每个个体的基本特征由后代所继承，但后代又会产生一些异于父代的新变化。在环境变化时，只有那些能适应环境的个体特征方能保留下来。
Mendel遗传学说最重要的是基因遗传原理。它认为遗传以密码方式存在细胞中，并以基因形式包含在染色体内。每个基因有特殊的位置并控制某种特殊性质；所以，每个基因产生的个体对环境具有某种适应性。基因突变和基因杂交可产生更适应于环境的后代。经过存优去劣的自然淘汰，适应性高的基因结构得以保存下来。
由于遗传算法是由进化论和遗传学机理而产生的直接搜索优化方法；故而在这个算法中要用到各种进化和遗传学的概念。[19]
这些概念如下：
(1)串(String)
它是个体(Individual)的形式，在算法中为二进制串，并且对应于遗传学中的染色体(Chromosome)。
(2)群体(Population)
个体的集合称为群体，“串”是群体的元素
（3）群体大小(Population Size)
在群体中个体的数量称为群体的大小。
（4）基因(Gene)
基因是串中的元素，基因用于表示个体的特征。例如有一个串S＝1011，则其中的1，0，1，1这4个元素分别称为基因。它们的值称为等位基因。
（5）基因位置(Gene Position)
一个基因在串中的位置称为基因位置，有时也简称基因位。基因位置由串从左向右计算，例如在串S＝1101中，0的基因位置是3。基因位置对应于遗传学中的地点(Locus)。
（6）基因特征值(Gene Feature)
在用“二进制串”表示整数时，基因的特征值与二进制数的权一致；例如在串S=1011中，基因位置3中的1，它的基因特征值为2；基因位置1中的1，它的基因特征值为8。
（7）串结构空间（SS）
在串中，基因任意组合所构成的串的集合。基因操作是在结构空间中进行的。串结构空间对应于遗传学中的基因型(Genotype)的集合。
（8）参数空间SP
这是“串空间”在物理系统中的映射，它对应于遗传学中的表现型(Phenotype)的集合。
（9）适应度(Fitness)
表示某一个体对于环境的适应程度。
3 遗传算法的原理
遗传算法GA把“问题的解”表示成“染色体”，在算法中也即是以二进制编码的串。并且，在执行遗传算法之前，给出一群“染色体”，也即是假设解。然后，把这些假设解置于问题的“环境”中，并按适者生存的原则，从中选择出较适应环境的“染色体”进行复制，再通过交叉，变异过程产生更适应环境的新一代“染色体”群。这样，“一代一代”地进化，最后就会收敛到最适应环境的一个“染色体”上，它就是问题的最优解。
在遗传算法里，优化问题的解被称为个体，它表示为一个参数列表，叫做染色体或者基因串。染色体一般被表达为简单的字符串或数字串，不过也有其他的表示方法适用，这一过程称为编码。
一开始，算法随机生成一定数量的个体，有时候操作者也可以对这个随机产生过程进行干预，播下已经部分优化的种子。在每一代中，每一个个体都被评价，并通过计算适应度函数得到一个适应度数值。种群中的“个体”被按照适应度排序，适应度高的在前面。这里的“高”是相对于初始的种群的“低适应度”来说的。
下一步是产生下一代个体并组成种群。这个过程是通过选择和交叉完成的，其中繁殖包括(crossover)和突变(mutation)。选择则是根据新个体的适应度进行的，适应度越高，被选择的机会越高，而适应度低的，被选择的机会就低。初始的数据可以通过这样的选择过程组成一个相对优化的群体。之后，被选择的个体进入交配过程。一般的遗传算法都有一个交配概率，范围一般是0.01-1，这个交配概率反映两个被选中的个体进行交配的概率。例如，交配概率为0.8，则80%的“夫妻”会生育后代。每两个个体通过交配产生两个新个体，代替原来的“老”个体，而没交配的个体则保持不变。交配父母的染色体相互交换，从而产生两个新的染色体，第一个个体前半段是父亲的染色体，后半段是母亲的，第二个个体则正好相反。不过这里的半段并不是真正的一半，这个位置叫做交配点，也是随机产生的，可以是染色体的任意位置。再下一步是突变，通过突变产生新的“子”个体。一般遗传算法都有一个固定的突变常数，通常是0.1或者更小，
这代表变异发生的概率。根据这个概率，新个体的染色体随机的突变，通常就是改变染色体的一个字节（0变到1，或者1变到0）。
经过这一系列的过程（选择、交配和突变），产生的新一代个体不同于初始的一代，并“一代一代”向增加整体适应度的方向发展，因为最好的个体总是更多的被选择去产生下一代，而适应度低的个体逐渐被淘汰掉。这样的过程不断的重复：每个“个体”被评价，计算出适应度，两个个体交配，然后突变，产生第三代。周而复始，直到终止条件满足为止。
遗传算法的基础理论是摸式定理。它的有关内容如下：
(1)摸式(Schema)概念[1]
一个基因串用符号集{0，1，*}表示，则称为一个因式；其中*可以是0或1。
例如：H=1 x x 0 x x是一个模式。
(2)摸式的“阶”和“长度”
摸式中0和1的个数称为模式的阶，并用0(H)表示。模式中第1个数字串和最后一个数字串间的距离称为模式的长度，并用δ(H)表示。对于模式H＝1xx0xx，有0(H)＝2，δ(H)＝4。
(3)Holland摸式定理
低阶，短长度的模式在群体遗传过程中将会按指数规律增加。当群体的大小为n时，每代处理的模式数目为0(n3)。
4遗传算法的特点
（1）遗传算法从问题解的中集开始嫂索，而不是从单个解开始。
这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭代求最优解的，容易误入局部最优解。遗传算法从“串集”开始搜索，覆盖面大，利于全局择优。
（2）遗传算法求解时使用特定问题的信息极少，容易形成通用算法程序。
由于遗传算法使用“适应值”这一信息进行搜索，并不需要问题导数等与问题直接相关的信息。遗传算法只需“适应值”和串编码等通用信息，故几乎可处理任何问题。
（3）遗传算法有极强的容错能力。
遗传算法的初始串集本身就带有大量与最优解甚远的信息，通过选择、交叉、变异操作能迅速排除与最优解相差极大的串，这是一个强烈的滤波过程，并且是一个并行滤波机制。故而，遗传算法有很高的容错能力。
（4）遗传算法最优迫近。
遗传算法中的选择、交叉和变异都是随机操作，而不是确定的精确规则。这说明遗传算法是采用随机方法进行最优解搜索，选择体现了向最优解迫近，交叉体现了最优解的产生，变异体现了全局最优解的覆盖。
（5）遗传算法具有隐含的并行性。
5遗传算法的几个主要应用领域
虽然在各种应用领域中，算法的具体实施细节有各自的特点，但遗传算法提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题的具体领域。遗传算法主要应用于以下几个主要领域：[17][13]
（1）函数优化
函数优化是遗传算法的经典应用领域，也是对遗传算法进行性能评价的常用例子。很多人工构造的各种各样复杂形式的测试函数，有连续函数也有离散函数，有单峰函数也有多峰函数等，利用这些函数来评价遗传算法的性能。对于非线性、多目标的函数优化问题，用其他算法通常较难求解，但使用遗传算法却很方便并可以得到较好的结果。
（2）组合优化
随着问题规模的扩大，组合优化问题的搜索空间急剧增大，甚者有时无法求到精确最优解。对于这类复杂问题，使用遗传算法求解可行解就显得更加有实际价值。这类问题包括旅行商问题、背包问题、装箱问题和图形划分等。
（3）生成调度
生产调度问题在很多情况下所建立起来的数学模型难以精确求解，即使经过一些简化之后可以进行求解，也因简化太多而使得求解结果与实际相差甚远。因此目前现实生产中也主要靠一些经验进行调度。遗传算法已经成为解决复杂调度问题的有效工具，在单件生产车间调度、流水线生产车间调度、生产规划、任务分配等方面遗传算法都得到了有效的应用。
（4）自动控制
在自动控制领域中有很多与优化相关的问题需要求解。遗传算法已在其中得到了初步的应用，并显示出良好的效果。例如用遗传算法进行航空控制系统的优化、使用遗传算法设计空间交会控制器、基于遗传算法的模糊控制器的优化设计、基于遗传算法的参数辨识、基于遗传算法的模糊控制规则的学习、利用遗传算法进行人工神经网络的结构优化设计和“权值”学习等。都显出了遗传算法在这此领域中应用的可能性。
（5）机器人学
机器人是一类复杂的难以精确建模的人工系统，而遗传算法的起源就来自于人工自适应系统的研究。所以，机器人学理所当然地成为遗传算法的一个重要应用领域。例如，遗传算法已经在移动机器人路径规划、关节机器人运动轨迹规划、机器人逆运动学求解、细胞机器人的结构优化和行为协调等方而得到研究和应用。[12]
（6）图像处理
图像处理是计算机视觉中的一个重要研究领域。在图像处理过程中，如扫描、特征提取、图像分割等不可避免地会存在一次误差，从而影响图像的效果。如何使这些误差最小是使计算机视觉达到实用化的重要要求。遗传算法在这些图像处理中的优化计算方面找到了用武之地。目前已在模式识别(包括汉字识别)、图像恢复、图像边缘特征提取等方而得到了应用。
（7）人工生命
人工生命是用计算机、机械等人下媒体模拟或构造出的具有自然生物系统特有行为的人造系统。自组织能力和自学习能力是人下生命的两大主要特征。人下生命与遗传算法有着密切的关系。基于遗传算法的进化模型是研究人下生命现象的重要基础理论。虽然人下生命的研究尚处于启蒙阶段，但遗传算法已在其进化模型、学习模型、行为模型、自组织模型等方面显示出了初步的应用能力，并且必将得到更为深入的应用和发展。人工生命与遗传算法相辅相成，遗传算法为人下生命的研究提供一个有效的下具，人下生命的研究也必将促进遗传算法的进一步发展.[12]
（8）遗传编程
1989年，美国Standford大学的Koza教授发展了遗传编程的概念，其基本思想是:采用树型结构表示计算机程序，运用遗传算法的思想，通过自动生成计算机程序来解决问题。虽然遗传编程的理论尚未成热，应用也有一些限制，但它已成功地应用于人工智能、机器学习等领域。目前公开的遗传编程实验系统有十多个。
（9）机器学习
学习能力是高级自适应系统所具备的能力之一，基于遗传算法的机器学习，特别是分类器系统，在很多领域中都得到了应用。例如，遗传算法被用于学习模糊控制规则，利用遗传算法来学习隶属度函数，从而更好地改进了模糊系统的性能；基于遗传算法的机器学习可用来调整人工神经网络的连接权，也可用于人工神经网络结构优化设计；分类器系统也在学习式多机器人路径规划系统中得到了成功的应用。[9]
（10）数据挖掘
数据挖掘是近几年出现的数据库技术，它能够从大型数据库中提取隐含的、先前未知的、有潜在应用价值的知识和规则。许多数据挖掘问题可看成是搜索问题，数据库看作是搜索空间，挖掘算法看作是搜索策略。因此，应用遗传算法在数据库中进行搜索，对随机产生的一组规则进行进化.直到数据库能被该组规则覆盖，从而挖掘出隐含在数据库中的规则。Sunil已成功地开发了一个基于遗传算法的数据挖掘下具。利用该工具对两个飞机失事的真实数据库进行了数据挖掘实验，结果表明遗传算法是进行数据挖掘的有效方法之一。
6遗传算法的发展方向
遗传算法发展方向其实就是和其他方法结合优化问题，单方面改进遗传算法的各种算子不能取得明显进展。遗传算法以其基本思想简单、便于实现和并行搜索的优点赢得了众多学者和各种工程人员的青睐，是目前应用最广的优化搜索算法之一。但遗传算法存在收敛速度慢和易于陷入局部最优的问题，在需要优化的参数较多时，更凸现了遗传算法的不足。遗传算法如何提高遗传算法跳出局部最优的能力和如何提高遗传算法的收敛速度成为近年来遗传算法的研究热点。许多学者从不同的角度对遗传算法进行了改进，使遗传算法的寻优能力有了不同程度的提高。和其它方法结合的遗传算法才有生命力。目前，对遗传算法的研究主要集中在数学基础、各环节的实现方式以及与其他算法的结合方面。其中，尤以遗传算法与其他算法相结合方面的研究最为引人关注。由于遗传算法具有开放式的结构，与问题的关联性不大，很容易和其他算法进行结合，所以融合了其他的算法思想和遗传算法思想的混合遗传算法成了目前改进遗传算法研究的一个重要方向。现将比较常见的混合遗传算法介绍如下。
（1）模拟退火遗传算法
模拟退火算法的基本思想是通过模拟高温物体退火过程的方法来找到优化问题的全局最优或近似全局最优解。从统计物理学的观点看，随着温度的降低，物质的能量将逐渐趋近于一个较低的状态，并最终达到某种平衡。遗传算法的局部搜索能力较差，但把握搜索过程总体的能力较强；而模拟退火算法具有较强的局部搜索能力，并能使搜索过程避免陷入局部最优解，但它却对整个搜索空间的了解不多，不便于使搜索过程进入最有希望的搜索区域，从而使得模拟退火算法的运算效率不高。但如果将遗传算法和模拟退火算法相结合，互相取长补短，则有可能开发出性能优良的新的全局搜索算法。目前，已有许多学者将退火机制引入到遗传操作中，使遗传操作产生优良个体的概率增加，并使遗传算法的寻优能力有了明显的提高。
（2）免疫遗传算法
人工免疫算法受生物免疫系统原理的启发，针对求解问题特征进行人工疫苗接种，可充分利用问题本身的信息，和遗传算法结合时，遗传算法的全局搜索能力及免疫算法的局部优化相配合，可大大提高搜索效率。我们可以通过注射疫苗的方法来减少遗传操作的盲目性，加强遗传算法收敛性能，多次的测试结果证明了该改进方法的有效性。[4]
（3）小生境遗传算法
生物学上，小生境指在特定环境中的一种组织功能，它将每一代个体划分为若干类，每个类中选出若干适应度较大的个体作为一个类的优秀代表，组成一个新种群，再在同一种群中以及不同种群之间进行杂交、变异，产生新一代个体群，同时采用“预选择”机制或排挤机制或共享机制完成选择操作。“解空间”中峰周围的子空间中的个体具有相对独立生长繁衍的特性。常用的小生境遗传算法大多在对群体进行选择操作前，计算个体之间的海明距离，如小于事先设定值，则对“适应值”低的个体处以罚函数，降低其适应值。这样可以保护解的多样性，也可以避免大量重复的解充斥整个解空间。用小生境思想来实现遗传算法的选择操作，使遗传算法的全局寻优能力得到了明显提高。
（4）模糊遗传算法
模糊遗传算法，即融合模糊优化设计思想的遗传算法，它把模糊优化和遗传算法优化结合起来，构成一种混合优化的设计方法。其目的是利用模糊优化设计的优点，克服一般遗传算法优化设计存在的不足，从而使得系统的优化设计更灵活、方便，取得好的设计效果。首先，在模糊遗传算法中引入“论域”的概念。在这里，“论域”即指用隶属函数来表示遗传算法的优化过程中所采用的约束条件的区间范围。用隶属函数来表示遗传算法的约束条件，以使约束条件能够更容易得到表达，又能够保证遗传子代的选择中能够拥有更广泛的群体组成。其次，在模糊遗传算法中，采用权变理论中的以变应变的思想。模糊遗传算法运用模糊控制的思想来自适应改变遗传算法的种群规模、交叉概率、变异概率、适应度函数以及控制策略等。
（5）混沌遗传算法
混沌是自然界广泛存在的一种非线性现象，它充分体现了系统的复杂性。混沌运动具有类似随机变量的杂乱表现，具有随机性；“混沌”能在一定范围内按其自身特性不重复地历经所有状态，具有遍历性；初值条件极其微弱的变化会引起混沌系统行为的巨大变化，具有对初始条件的极度敏感性。混沌运动的上述性质作为避免陷入局部极小的优化搜索机制，恰好可以弥补遗传算法易陷入局部最优、收敛速度慢的缺陷。可以利用混沌的遍历性产生初始种群，也可以运用混沌
的遍历性对优良个体进行变异操作，混沌遗传算法增强了遗传算法的全局寻优能力。
（6）量子遗传算法
量子遗传算法是量子计算思想与遗传算法结合的产物。与遗传算法类似，它也是一个产生—检验的过程，但其实现同标准遗传算法不一样。在表达方式上，量子遗传算法将量子的态矢量表述引入染色体编码；在演化机制上，它利用量子门实现染色体演化。这些区别，使得量子遗传算法表现出比标准遗传算法更好的种群多样性、更强的全局搜索能力和更快的收敛速度。还有其他的算法已被引入到遗传算法中来（如禁忌—并行，分层），在此，就不再过多介绍。遗传算法与其他算法和理论的结合已经成为改进遗传算法的一个非常有效的手段。
随着人们对遗传算法研究的不断深入，可以预见，会有更多的理论和方法被引入到遗传算法中来。相信通过遗传算法与其他算法的结合以及自身实现方式的不断改进，在不久的将来，遗传算法的优化能力会有一个质的提高。
7本章小结
本章首先对遗传算法的起源进行阐述，说明了过去人们对遗传算法研究及联系到实际中应用并灵活运用使其不断发展，然后对遗传算法的概念及原理进行详细说明，并且对遗传算法的特点进行总结，使我们对遗传算法有了更加深入的了解，之后又结合实际表述遗传算法在实际中的应用领域及对该算法进行展望，让我们对此算法的应用及发展前景有了新的认知。
参考文献
[1]周明，孙树栋.遗传算法原理及应用.国防工业出版社.1999 年，6。
[2]周明/孙树栋.遗传算法原理及应用.国防工业出版社.2002年5月。
[3][美]Z.米凯利维茨著.周家驹、何险峰译. 演化程序——遗传算法和数据编码的结合[M].科学出版社.2000，1.
[4] 焦李成等:免疫优化计算、学习与识别.科学出版社.2006,6.
[5] 张文修、梁怡. 遗传算法数学基础[M]. 西安交通大学出版社. 2003，5.
[6] 王小平、曹立明. 遗传算法理论应用与软件实现[M]. 西安交通大学出版社. 2002，1.
[7] 韦雪洁、黎明、刘高航等. 基于知识库求解TSP问题的改进遗传算法[J]. 计算机仿真. 2006. 23（8）pp（161-163）
[8] 敖友云、迟洪钦. 基于遗传算法求解TSP问题的一种算法[J]. 计算机与数字工程. 2006 34（4）.
[9] (澳)尼格内维特斯基著.顾力栩、沈晋惠译. 人工智能（智能系统指南）[M].机械工业出版社.2005.
[10] 宋丹、傅明等. 一种改进的遗传算法及在TSP中的实现[J]. 微机发展. 2004，6.14
[11] 周涛. 基于改进遗传算法的TSP问题研究[J]. 微电子学与计算机. 2006. 23（10）.
[12] 谢秋、杨育.基于遗传算法和BP神经网络的协同设计效率研究及应用[J].重庆大学硕士学位论文.2007.3.
[13]玄光男、程润伟、于歆杰.遗传算法与工程优化.清华大学出版社.2004,1.
[14]多里戈、施蒂茨勒.蚁群优化.清华大学出版社.2007,1.
[15]崔逊学.多目标进化算法及其应用.国防工业出版社.2006,6.
[16]王凌.车间调度及其遗传算法.清华大学出版社.2003,5.
[17]陈国良,王煦法,庄镇泉.遗传算法及其应用.人民邮电出版社.2001,2.
[18]王万良、吴启迪.生产调度智能算法及其应用.科学出版社.2007,7.
[19]徐宗本，张讲社，郑亚林.计算智能中的仿生学理论与算法.科学出版
社.2003,5.
[20]Zbigniew Michalewicz，David B.fogel著.曹宏庆等译.如何求解问题--现代启发式方法.中国水利水电出版社.2003，2.
[21] 刘曙光、费佩燕、侯志敏. 遗传算法的进展与展望[J]. 现代电子技术. 2000, 6.
[22] 刘青风、李敏. 基于遗传算法的TSP问题优化求解[J]. 计算机与现代化. 2008.(2)
[23] Lennard-Jones, J. E. Cohesion. Proceedings of the Physical Society 1931, 43, 461-482.
[24] D．J．Wales，J P K Doye．Global optimization by Basin-Hopping and the lowest energy structures of Lennard—Jones clusters containing up to 1 1 0 Atoms，J. Phys. Chem . A，1997，101，5111.
[25] A list of the best minima obtained so far as well as other information for the LJ-cluster problem and related ones can be found on the World Wide Web at: http:// https://www.sodocs.net/doc/f41777817.html,/CCD.html.
[26] Wales D J;Ohmine I Structure,dynamics,and thermodynamics of model (H2O)8 and (H2O)20 clusters 1993.
[27] Global minimum structure searches via particle swarm optimization.2006
目标跟踪相关研究综述
Artificial Intelligence and Robotics Research 人工智能与机器人研究, 2015, 4(3), 17-22 Published Online August 2015 in Hans. https://www.sodocs.net/doc/f41777817.html,/journal/airr https://www.sodocs.net/doc/f41777817.html,/10.12677/airr.2015.43003 A Survey on Object Tracking Jialong Xu Aviation Military Affairs Deputy Office of PLA Navy in Nanjing Zone, Nanjing Jiangsu Email: pugongying_0532@https://www.sodocs.net/doc/f41777817.html, Received: Aug. 1st, 2015; accepted: Aug. 17th, 2015; published: Aug. 20th, 2015 Copyright ? 2015 by author and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). https://www.sodocs.net/doc/f41777817.html,/licenses/by/4.0/ Abstract Object tracking is a process to locate an interested object in a series of image, so as to reconstruct the moving object’s track. This paper presents a summary of related works and analyzes the cha-racteristics of the algorithm. At last, some future directions are suggested. Keywords Object Tracking, Track Alignment, Object Detection 目标跟踪相关研究综述 徐佳龙 海军驻南京地区航空军事代表室，江苏南京 Email: pugongying_0532@https://www.sodocs.net/doc/f41777817.html, 收稿日期：2015年8月1日；录用日期：2015年8月17日；发布日期：2015年8月20日 摘要 目标跟踪就是在视频序列的每幅图像中找到所感兴趣的运动目标的位置，建立起运动目标在各幅图像中的联系。本文分类总结了目标跟踪的相关工作，并进行了分析和展望。
智能小车设计文献综述
智能小车设计文献综述 摘要：随着电子工业的发展，智能技术广泛运用于各种领域，智能小车不仅在工业智能化上得到广泛的应用，而且运用于智能家居中的产品也越来越受到人们的青睐。国外智能车辆的研究历史较长。相比于国外，我国开展智能车辆技术方面的研究起步较晚，在智能车辆技术方面的研究总体上落后于发达国家但是也取得了一系列的成果。随着人工智能技术、计算机技术、自动控制技术的迅速发展，智能控制将有广阔的发展空间。本设计的智能小车利用红外对管检测黑线与障碍物，并以单片机为控制芯片控制电动小汽车的速度及转向，从而实现自动循迹避障的功能。并对智能小车研究现状以及未来的应用与发展前景做一个全方面的介绍。 关键词:智能技术，自动循迹，避障 1前言 随着电子技术、计算机技术和制造技术的飞速发展，数码相机、DVD、洗衣机、汽车等消费类产品越来越呈现光机电一体化、智能化、小型化等趋势。智能化作为现代社会的新产物，是以后的发展方向，他可以按照预先设定的模式在一个特定的环境里自动的运作，无需人为管理，便可以完成预期所要达到的或是更高的目标。智能小车，也称轮式机器人，是一种以汽车电子为背景，涵盖控制、模式识别、传感技术、电子、电气、计算机、机械等多科学的科技创意性设计，一般主要路径识别、速度采集、角度控制及车速控制等模块组成。一般而言,智能车系统要求小车在白色的场地上,通过控制小车的转向角和车速,使小车能自动地沿着一条任意给定的 黑色带状引导线行驶[1]。智能小车运用直流电机对小车进行速度和正反方向的运动 控制，运用直流电机对小车进行速度和正反方向的运动控制，通过单片机来控制直流电机的工作，从而实现对整个小车系统的运动控制。 2智能小车的发展历史、国内外研究现状 2.1国外研究现状 国外智能车辆的研究历史较长，始于上世纪50年代。它的发展历程大体可以分成三个阶段[2][3][4]： 第一阶段，20世纪50年代是智能车辆研究的初始阶段。1954年美国Barrett Electronics 公司研究开发了世界上第一台自主引导车系统AGVS（Automated Guided Vehicle System）。该系统只是一个运行在固定线路上的拖车式运货平台，但它却具有了智能车辆最基本得特征即无人驾驶。早期研制AGVS的目的是为了提高仓库运输的自动化水平，应用领域仅局限于仓库内的物品运输。随着计算机的应用和传感
无线网络定位论文综述
无线传感器网络定位技术分析 摘要 无线传感器网络具有成本低、监测精度高、容错性好、可远程监控、便于诊断与维护等众多优点，在环境监测、事故定位救援等领域有着广阔的应用前景，其根本任务是准确获取物理世界的有价值信息。无线传感器网络借助节点的时间与位置信息，实现传感器节点之间控制和传感数据高速率、低延迟的交换，以保证整个检测与控制系统的准确性与实时性．无线传感器网络面临计算、存储与网络资源等方面的限制，针对如何进行无线传感器网络中节点高效率、低能耗的定位以及覆盖等问题展开研究具有十分重要的意义。在目标监测与跟踪、基于位置信息的路由中，节点的位置信息也是不可缺少的。 关键词：传感器网络定位，实时性 第一章背景分析 无线传感器网络(Wireless Sensor Network，WSN)被誉为21世纪最有影响力的21项技术和改变世界的10大技术之一。传感器节点定位技术是无线传感器网络多数应用中的关键支撑技术之一。无线传感器网络技术在国民经济建设和军事领域有着非常重要的应用价值，如目标跟踪、入侵检测、灾难管理和战场侦察等。新技术在带来应用机会的同时，也带来新的研究问题。无论是在军事侦察或地理环境监测，还是交通路况监测或医疗卫生中对病人的跟踪等应用场合，很多获取的监测信息需要附带相应的位置信息，否则，这些数据就是不确切的，甚至有时候会失去采集的意义，因此网络中传感器节点自身位置信息的获取是大多数应用的基础。所谓定位是对一组未知位置坐标的网络节点，通过估计其至邻居节点的距离或邻居数目等手段，利用节点间交换的信息，确定节点位置的机制。从广义上讲，传感器网络的定位问题包括节点自身定位和对监控目标的定位。由于传感器网络的节点容量受限，包括有限的功耗、通信带宽、内存和计算能力，节点协作完成感知和通信任务，希望计算和通信量最小化，节点定位是传感器网络运行的一个基本和关键问题。 首先，传感器节点必须明确自身位置才能详细说明“在什么位置发什么了什么事件”。从而实现对外部目标的定位和跟踪；其次，了解传感器节点的位置分布状况可以对提高网络的路由效率提供帮助，从而实现网络的负载均衡以及网络拓扑的自动配置，改善整个网络的覆盖质量。因此，必须采取一定的机制或算法来实现无线传感器网络中各节点的定位。 第二章传统定位技术分析
遗传算法综述
遗传算法综述 摘要：遗传算法(genetic algorithms，GA)是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法，适用于处理传统搜索方法难以解决的复杂和非线性优化问题。遗传算法可广泛应用于组合优化、机器学习、自适应控制、设计和人工生命等领域，是21世纪有关智能计算中的重要技术之一。 本文通过对相关论文的查阅和整理，对遗传算法的研究现状和发展趋势进行了综述并谈论了一些自己的看法。 关键词：遗传算法研究现状发展趋势 引言：遗传算法是模拟遗传选择和自然淘汰的生物进化过程的计算模型，由美国Michigan大学的Holland教授于1969年提出，后经DeJong、Goldberg 等人归纳总结，形成一种新的全局优化搜索算法[1]。遗传算法以其简单通用、鲁棒性强、适于并行处理以及高效、实用等显著特点，在各个领域得到了广泛应用，取得了良好效果，并逐渐成为重要的智能算法之一。 1、遗传算法的基本原理 与传统搜索算法不同, 遗传算法从一组随机产生的初始解,称为群体, 开始搜索过程。群体中的每个个体是问题的一个解,称为染色体。这些染色体在后续迭代中不断进化, 称为遗传。遗传算法主要通过交叉、变异、选择运算实现。交叉或变异运算生成下一代染色体, 称为后代。染色体的好坏用适应度来衡量。根据适应度的大小从上一代和后代中选择
一定数量的个体, 作为下一代群体, 再继续进化, 这样经过若干代之后, 算法收敛于最好的染色体, 它很可能就是问题的最优解或次优解。“遗传算法中使用适应度这个概念来度量群体中的各个个体的在优化计算中有可能到达最优解的优良程度。度量个体适应度的函数称为适应度函数。适应度函数的定义一般与具体求解问题有关”[2]。 遗传算法包含两个数据转换操作，一个是从表现型到基因型的转换，将搜索空间的参数或解转换成遗传空间中的染色体或个体，这个过程称为编码（coding）。另一个是从基因型到表现型的转换，即将个体转化成搜索空间中的参数，这个过程称为译码（decode）。 图1展示了遗传算法的运行过程。 图1 遗传算法的运行过程示意图 2、遗传算法的研究现状 2.1 遗传算法研究方向[3] 在遗传算法的研究中，目前主要有三类研究方向： ⑴研究遗传算法本身的理论基础。 ⑵用遗传算法作为工具解决工程问题。主要是进行优化，关心的是能
SARS文献综述
抗SARS病毒药物研究及进展 摘要 2002年冬到2003年春有一种冠状病毒肆虐全球，这种严重急性呼吸综合征（Severe Acute Respiratory Syndrome，SARS，传染性非典型肺炎）的元凶就是SARS病毒。严重急性呼吸综合征(SARS)的爆发是对人类健康的严重威胁。在抗SARS冠状病毒(SARS-CoV)的小分子化合物和疫苗尚未面市之前，在已经注册上市的抗病毒药物中寻找对SARS-CoV有效的药物不失为一条捷径。近年来随着对SARS病毒的研究和在动物免疫中的实验，抗SARS病毒药物层出不穷，本文主要对SARS病毒和抗SARS病毒药物状况做一个综述。 关键词 SARS；抗病毒药物；冠状病毒；传染病； 前言 2002年底，中国广东等地出现了多例原因不明的、危机生命的呼吸系统疾病。随后，越南，加拿大和香港等地也先后报道了类似病例。世界卫生组织将此类疾病命名为“严重急性呼吸道综合症”（SARS）。随后世界各国的实验室都致力于发现这种疾病的病原体。曾经有人在对SARS的前期研究中，猜测其为细菌性病原体，最终香港大学于2003年3月22日宣布分离出一种未知的冠状病毒，到此为止才确定了其本质。研究与开发防治SARS的有效药物毫无疑问是对医药界提出的挑战。经过科研工作者的不懈努力，最终合成了若干种抗SARS病毒药物。在临床上此类药物的治疗效果突出，最后，人类宣布战胜SARS病毒。虽然目前此种冠状病毒已经被控制，但是对好多人来说仍然心有余悸。这需要对该病毒不断研究，彻底了解其感染机制，以便研究出更适合此类病毒的药物。相信在不久的将来，会有更多的研究人员会加入到此抗病毒药物研制的行列中，使冠状 病毒不在成为人类的威胁。 正文 冠状病毒粒子呈不规则 形状，直径约60-220nm。病毒 粒子外包着脂肪膜，膜表面有 三种糖蛋白：刺突糖蛋白（S，
KMP算法文献综述
文献综述 一般使用的计算机的硬件结构主要反映数值计算的需要，而计算机上的非数值处理的对象基本上是字符串数据，因此在处理字符串数据时比处理整数和浮点数要复杂的很多。随着程序语言将程序的发展，字符串的处理也有了越来越多的研究。子串的定位炒作通常称为串的模式匹配，是各种处理系统中最重要的操作之一。串匹配问题是指从给定的字符序列中找出一个或多个具有某种属性的模式序列，而字符串匹配指的便是从给定的字符序列中找出一个或若干个给定的字符串。字符串匹配算法是一个基础算法，它的解决以及在这个过程中产生的方法对计算机的其他问题都产生了巨大的影响。在我们日常使用计算机的过程中，使用字符串匹配技术的例子十分普遍，例如：入侵检测、病毒检测、信息检索、信息过滤、计算生物学等等都包含了字符串匹配技术。 在字符串匹配技术被广泛应用的同时，众多的科技人员也对其进行了深入的研究，字符串匹配问题现在已经发展成为一门相对独立的科学——字符串学（Stingology）[1][2][3]。字符串匹配技术最先被应用于图书文献目录摘要的查询系统和构建数据的全文检索系统。而后，随着网络安全技术和生物技术的日益发展，在网络安全和生物计算等领域中字符串匹配技术又获得了新的发展空间。 随着网络速度和流量的日益增加，基于网络的入侵检测[4][5]系统面临着严峻的挑战，它的处理、分析速度越来越难以跟上网络流量增加速度，从而极易导致数据包的丢失。解决数据包丢失等问题，提高处理速度是关键。另外对于基于误用的入侵检测系统而言，检测过程中最费时的部分便是入侵特征匹配。 目前，信息资源的高速膨胀已经成为一个全球普遍关注的现象。加利福尼亚大学伯克利分校研究人员发现，仅从1999年至2002年全球新产生的信息量就翻了一番。伴随着信息膨胀，信息的良莠不齐现象也是一个严重困扰人们的问题。大量反动、黄色信息以及国家机密在网络上蔓延和传播，给国建安全和社会稳定造成了严重的威胁，如何对这些不良信息进行网络监控是我们面临的一个重要问题。在信息过滤时，特别是在主干网络上进行过滤与检索，对字符串匹配的实时性要求极高，字符串匹配性能的优劣直接影响了过滤与检索系统的性能。 随着生命科学的发展，人们对生命物质的微观结构也有了越来越清晰的认识。目前，人类基因组序列的绘制工作已完成，Prosite等大型蛋白质重要样本数
遗传算法综述
3D S可以方便灵活地实现对动画帧中的节点、平面、边界、颜色和轨迹的控制,同时对于物体变形测试,轴心点设置以及段信息的获取和设置也能方便准确地进行。而keyscri p t语言的优点体现在于其精确的数值计算,它可以对大量的复杂无序的动作进行随机计算,节省了制作时间。利用keyscri p t编辑器还能方便地进行语法检查并能直接执行无语法错误的keyscri p t程序。3 内存管理方式 3D S使用了独特的Pharlap的虚拟内存管理技术(VMM 386),该技术使3D—Studi o能使用比物理内存RAM更大的空间。这种内存管理方式与W indow2 s T M的内存管理方式不同,因此一般不在W indow s T M中使用3D S,若要在W indow s T M中使用,则必须在W in2 dow s T M的system1in i中的[386Enh]段加入device= Pharlap1386,使W indow s T M可以使用Pharlap的内存管理方式。这种内存管理方式也有一些不足,如内存一旦被3D S使用将不被释放。 4 硬件环境 使用3D—Studi o410的最低配制要求是386(带协处理器)的主机,至少8兆的内存,20兆以上的硬盘空间,DO S313以上的操作系统。由于3D S中的许多图形渲染时都必须使用256色,且观看3D S自带的一些图片也必须在256色的模式下进行,所以需要SV GA或TV GA的显示器。输入系统除了键盘外还必须配有鼠标,也可选配数字化仪。由于3D S在进行图形渲染需要大容量的内存,同时还需要CPU进行大量的浮点运算,因此当CPU为Pen tium T M、内存为16兆以上,并使用高性能的显示卡时,3D S的动画制作功能才能得到完美体现。由于ln tel公司生产的CPU兼容的Cyrix、AM D等公司生产的CPU浮点运算能力较差,因此CPU首选还是ln tel公司的产品。外设还可选配数字化仪等设备,对于需要直接输出到磁带上,并使用电视进行播发的动画,则可选用专业用户级以上的逐帧录向设备。 总之,3D S是一个庞大的图形工作平台,学会使用它的各种命令,发挥软件的强大功能绘制出优秀的动画和图象,还需要有很多技巧。随着人们对3D S认识加深,以它为平台开发的动画产品必将更加丰富多彩。 参考文献 1 [美]S1D1E lli o t,P1L1M iller,G1G1Pyro s著1黄心渊等译《3D—Studi o技术精粹》1北京:清华大学出版社。 19951 2 黄心渊 左正兴编著1《3D—Studi o(310—410)技术与应用》1北京:清华大学出版社,19961 收稿日期:1996年11月18日 遗传算法综述 艾丽蓉 何华灿 (西北工业大学计算机系 西安710072) 摘 要 本文从计算智能与进化计算谈起,论述了遗传算法产生的思想及背景,遗传算法的应用与研究现状,以及遗传算法研究的基本内容与问题,最后对GA与传统搜索算法做一比较,并概述了GA在并行处理应用中的潜在优势。 关键词 计算智能 进化计算 遗传算法(GA) 0 序言 长久以来,人们一谈到人工智能就马上想到逻辑、规则、推理,而一谈到计算就联想到矩阵运算、解微分方程,似乎智能和计算是两股道上跑的车。人工智能在走过几十年的曲折道路之后,人们经过认真反思,不断探索新的研究途径,于是一个新的研究方向——计算智能应运而生。 研究思维模拟主要的道路有四条:基于心理学的符号处理方法,基于社会学层次型的智能体方法,基于生物进化的进化计算与自适应方法,以及基于生理学的人工神经网络方法。目前聚集在计算智能大旗下的主要是后两个学派的学者(加上从事模糊计算和混沌计算等方面的学者)。实际上,只要在计算机上,模拟人类思想,不管用什么方法,其本质的基础还是二进制数字计算,在当前符号处理主宰人工智能的情况下,更应强调遗传算法等以数字计算为基础的方法对推动人工智能发展有着特殊的作用。 计算技术的飞速发展使大规模的现实模拟成为可能,而针对社会和生物现象的模拟,对人类认识自身及其环境具有重大意义,进化是其中最为诱人的领域之一。人的智能是从哪里来的?归根结底是从生物进化中得来的,反映在遗传基因中,脑的结构变化也是通过基
间充质干细胞在医学中的应用文献综述
间充质干细胞在医学中的应用文献综述 学院：生命科学学院 年级：2011 姓名：张胜男
前言:干细胞是具有增殖分化潜能的一种细胞,人体200多种细胞均起源于一个全能干细 胞---受精卵,出生后的机体生存也依赖于不同组织中的干细胞,进行自我更新和损伤修复.追溯到1895年人类第一次临床应用骨髓移植治疗肿瘤疾病,干细胞在临床上的应用已有100多年的历史,间充质干细胞是干细胞家族的重要成员.随着人类技术的发展,人类具备了从成体组织中提取间充质干细胞的能力,并可以在体外进行大量的细胞扩增培养,但是间充质干细胞临床试验研究所面临的基础理论、实验技术、行业法规，法律伦理等问题，使其在真正走向临床应用的道路还很艰难，这条路上还有多少障碍？还有多远？需要的不仅仅是生命科学领域研究人员的努力，也需要相关管理部门同行！ 正文： 1间充质干细胞 间充质干细胞英文缩写MSC，存在于多种组织中。 1.1间充质干细胞的发现过程 间充质干细胞最早在骨髓中发现，随后还发现存在于人体发生、发育过程的许多种组织中。目前, 我们能够从骨髓、脂肪、滑膜、骨骼、肌肉、肺、肝、胰腺等组织以及羊水、脐带血中分离和制备间充质干细胞，使用得最多的是骨髓来源的间充质干细胞。 2006年，我国在胎盘和脐带组织中分离出间充质干细胞，这种胎盘和脐带来源的间充质干细胞有可能成为骨髓间充质干细胞的理想替代物，并具有更大的应用潜能。 鉴于间充质干细胞具有多向分化潜能、能支持造血和促进造血干细胞植入、调节免疫以及分离培养操作简便等特点，正日益受到人们的关注。随着间充质干细胞及其相关技术的日益成熟，临床研究已经在许多国家开展。作为种子细胞, 临床上主要用于治疗机体无法自然修复的组织细胞和器官损伤的多种难治性疾病；作为免疫调节细胞，治疗免疫排斥和自身免疫性疾病。 最初的临床研究是1995年由Lazarus等人进行的，他们收集缓解期血液肿瘤患者的自体MSC，在体外扩增培养4~7周，然后再静脉注射入患者体内，患者被分为3组，分别给予不同剂量的MSC，注射后没有观察到毒副作用，提示MSC 用于移植治疗安全可靠。随后自体MSC的临床报道逐渐增多，病种涉及放疗及化疗后造血重建、移植物抗宿主病（GVHD）、心脏系统疾病等，在这些报道中均证明临床经静脉输注安全可靠。 然而自体间充质干细胞的应用过程中逐渐暴露了不便之处：例如扩增能力个体差异很大；潜在的肿瘤细胞污染风险；培养需要一定的时间，不能及时适应病情的需要等。这些制约了自体间充质干细胞的使用。间充质干细胞给未来的再生医学带来了新希望, 对间充质干细胞更深入的研究和临床应用必将在不远的将来造福人类。其中，胎盘和脐带来源的间充质干细胞具有分化潜力大、增殖能力强、免疫原性低、取材方便、无道德伦理问题的限制、易于工业化制备等特征，有可能成为最具临床应用前景的多能干细胞。 1.2 间充质干细胞的生物学特性 间充质干细胞具有其独特的生物学特性
单目视觉定位方法研究综述
万方数据
万方数据
万方数据
万方数据
单目视觉定位方法研究综述 作者：李荣明， 芦利斌， 金国栋 作者单位：第二炮兵工程学院602教研室,西安,710025 刊名： 现代计算机：下半月版 英文刊名：Modem Computer 年，卷(期)：2011(11) 参考文献(29条) 1.R.Horaud;B.Conio;O.Leboullcux An Analytic Solution for the Perspective 4-Point Problem 1989(01) 2.任沁源基于视觉信息的微小型无人直升机地标识别与位姿估计研究 2008 3.徐筱龙;徐国华;陈俊水下机器人的单目视觉定位系统[期刊论文]-传感器与微系统 2010(07) 4.邹伟;喻俊志;徐德基于ARM处理器的单目视觉测距定位系统[期刊论文]-控制工程 2010(04) 5.胡占义;雷成;吴福朝关于P4P问题的一点讨论[期刊论文]-自动化学报 2001(06) 6.Abdel-Aziz Y;Karara H Direct Linear Transformation from Comparator to Object Space Coordinates in Close-Range Ph- togrammetry 1971 7.Fishier M A;Bolles R C Random Sample Consensus:A Paradigm for Model Fitting with Applications to Image Analy-s~s anu Automated tartograpny 1981(06) 8.祝世平;强锡富用于摄像机定位的单目视觉方法研究[期刊论文]-光学学报 2001(03) 9.沈慧杰基于单目视觉的摄像机定位方法的研究 2009 10.任沁源;李平;韩波基于视觉信息的微型无人直升机位姿估计[期刊论文]-浙江大学学报（工学版） 2009(01) 11.刘立基于多尺度特征的图像匹配与目标定位研究[学位论文] 2008 12.张治国基于单目视觉的定位系统研究[学位论文] 2009 13.张广军;周富强基于双圆特征的无人机着陆位置姿态视觉测量方法[期刊论文]-航空学报 2005(03) 14.Zen Chen;JenBin Huang A Vision-Based Method for theCircle Pose Determination with a Direct Geometric Interpre- tation[外文期刊] 1999(06) 15.Safaee-Rad;I.Tchoukanov;K.C.Smith Three-Dimension of Circular Features for Machine Vision 1992 16.S.D.Ma;S.H.Si;Z.Y.Chen Quadric Curve Based Stereo 1992 17.D.A.Forsyth;J.L.Munday;A.Zisserman Projective In- variant Representation Using Implicit Algebraic Curves 1991(02) 18.吴朝福;胡占义PNP问题的线性求解算法[期刊论文]-软件学报 2003(03) 19.降丽娟;胡玉兰;魏英姿一种基于平面四边形的视觉定位算法[期刊论文]-沈阳理工大学学报 2009(02) 20.Sun Fengmei;Wang Weining Pose Determination from a Single Image of a Single Parallelogram[期刊论文]-Acta Automatica Sinica 2006(05) 21.吴福朝;王光辉;胡占义由矩形确定摄像机内参数与位置的线性方法[期刊论文]-软件学报 2003(03) 22.王晓剑;潘顺良;邱力为基于双平行线特征的位姿估计解析算法[期刊论文]-仪器仪表学报 2008(03) 23.刘晓杰基于视觉的微小型四旋翼飞行器位姿估计研究与实现 2009 24.刘士清;胡春华;朱纪洪一种基于灭影线的无人直升机位姿估计方法[期刊论文]-计算机工程与应用 2004(9) 25.Mukundan R;Raghu Narayanan R V;Philip N K A Vision Based Attitude and Position Estimation Algorithm for Rendezvous and Docking 1994(02)
遗传算法
遗传算法发展前景概况 （华北电力大学电气与电子工程学院，北京102206） 摘要：遗传算法是一种基于生物进化自然选择和群体遗传机理的，适合于复杂系统优化的自适应概率优化技术，近年来，因为遗传算法求解复杂优化问题的巨大潜力和在工业工程领域的成功应用，这种算法受到了国内外学者的广泛关注，本文介绍了遗传算法研究现状和发展的前景，概述了它的理论和技术，并对遗传算法的发展情况发表了自己的看法。 关键词：遗传算法; 遗传算子；进化计算；编码 GENERAL GENETIC ALGORITHM DEVELOPMENT PROSPECT (North China Electric Power University Electrical And Electronic Engineering Institute,Beijing102206) ABSTRACT: Genetic algorithm is a kind of natural selection and based on biological evolution of genetic mechanism, group suitable for complex system optimization adaptive probability optimization technique, in recent years, because genetic algorithm for solving complex optimization problem in the huge potential and the successful application of industrial engineering, this algorithm was wide attention of scholars at home and abroad, this paper introduces the current research status and development of genetic algorithm, summarizes the prospect of its theory and technology of genetic algorithm and the development of published opinions of his own. KEY WORD: Genetic algorithm; Genetic operator; Evolutionary computation; coding 1.引言 现在，遗传算法正在迅速发展，遗传算法与其很强的解决问题能力和适合于复杂系统的自适应优化技术渗透到研究和工业工程领域，在电力系统，系统辨识,最优控制，模式识别等领域有了很广泛的应用，取得了很好的效果。 2.遗传算法基本思想 遗传算法是建立在自然选择和群体遗传学基础上的随机，迭代和进化，具有广泛适用性的搜索方法，所有的自然种类都是适应环境而生存，这一自然适用性是遗传算法的主要思想。 遗传算法是从代表问题可能潜在解集的一个种群开始的，而一个种群则经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，其内部基因决定了个体的外部表现。因此，在一开始就要实现外部表现到内部基因的映射，即编码工作，通常采用二进制码。初始种群产生之后，按照适者生存和优胜劣汰的原则，逐代演化产生出越来越好的近似解。在每一代，根据问题域中个体的适应度大小选择个体，并借助自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集和种群，这种过程将导致种群像自然进化那样产生比前代更适应于环境的后代种群，末代种群中的最有个体经过解码，可以作为问题近似最优解。 遗传算法采纳了自然进化模型，如选择，交叉，变异等，计算开始时，种群随机初始化产生一定数目的N个个体，并计算每个个体的适应度函数，如果不满足优化准则，就开始新一代的计算。为了产生下一代，按照适应度选择个体父代进行基因重组二产生子代。所有的子代按一定的概率进行变异，子代取代父代构成新一代，然后重新计算子代的适应度。这一过程循环执行，直到满足优化准则为止。 3.遗传算法基本操作
基因工程论文撰写规范
论文撰写规范（暂行） 学位论文（设计说明书）是学生在教师的指导下经过调查研究、科学实验或工程设计，对所取得成果的科学表述，是学生毕业及学位资格认定的重要依据。其撰写在参照国家、各专业部门制订的有关标准及语法规范的同时，应遵照如下规范： 1．论文结构及写作要求 论文（设计说明书）应包括封面、目录、题目、中文摘要与关键词、英文题目、英文摘要与关键词、正文、参考文献、致谢和附录等部分。 1.1 目录 目录独立成页，包括论文中全部章、节的标题及页码。 1.2 题目 题目应该简短、明确、有概括性。论文题目一般中文字数不超过25个字，外文题目不超过15个实词，不使用标点符号，中外文题名应一致。标题中尽量不用英文缩写词，必须采用时，应使用本行业通用缩写词。 1.3 摘要与关键词 1.3.1 摘要 摘要是对论文（设计说明书）内容不加注释和评论的简短陈述，要求扼要说明研究工作的目的、主要材料和方法、研究结果、结论、科学意义或应用价值等，是一篇具有独立性和完整性的短文。摘要中不宜使用公式、图表以及非公知公用的符号和术语，不标注引用文献编号。中文摘要一般为300字左右。 1.3.2 关键词 关键词是供检索用的主题词条，应采用能覆盖论文主要内容的通用技术词条（参照相应的技术术语标准），一般列3～8个，按词条的外延层次从大到小排列，应在摘要中出现。中英文关键词应一一对应。 1.4 论文正文 论文正文包括前言、论文主体及结论等部分。 1.4.1 前言 前言应综合评述前人工作，说明论文工作的选题目的、背景和意义、国内外文献综述以及论文所要研究的主要内容。对所研究问题的认识，以及提出问题。 1.4.2 论文主体 论文主体是论文的主要部分，应该结构合理，层次清楚，重点突出，文字简练、通顺。 1.4.3 结论（结果与分析） 结论是对整个论文主要成果的归纳，应突出论文（设计）的创新点，以简练的文字对论文的主要工作进行评价。若不可能作出应有的结论，则进行必要的讨论。可以在结论或讨论中提出建议、研究设想及尚待解决的问题等等。结论作为单独一章排列，不加章号。 1.5 参考文献 参考文献反映论文的取材来源、材料的广博程度。论文中引用的文献应以近期发表的与论文工作直接有关的学术期刊类文献为主。应是作者亲自阅读或引用过的，不应转录他人文后的文献。 1.6 致谢 向给予指导、合作、支持及协助完成研究工作的单位、组织或个人致谢，内容应简洁明了、实事求是，避免俗套。
GPS工程测量及数据处理研究文献综述
本科毕业论文 文献综述 题目：GPS在工程测量中的应用及数据处理 姓名：赵建平学号2009303200901 专业：地理信息系统 指导教师：苗洁职称讲师 中国·武汉 二○一三年一月 分类号密级
华中农业大学本科毕业论文 文献综述 GPS在工程测量中的应用及数据处理GPS in Engineering Measurement and Data Processing 学生姓名：赵建平 学生学号：2009303200901 学生专业：地理信息系统 指导教师：苗洁讲师 华中农业大学资源与环境学院 二○一三年一月
Ⅰ目录 1.GPS和工程测量等相关概念2 1．1GPS相关概念2 1.1.1 GPS概念2 1.1.2 GPS技术2 1.1.3 GPS卫星测量原理3 1.1.4 GPS 测量的技术特点3 1.2 工程测量介绍4 2. GPS 在现代工程测量中的具体应用分析5 2.1实时动态(RTK>定位技术简介5 2.2 静态GPS在工程测量中的应用6 2.3 动态GPS在工程测量中的应用7 3.工程测量及数据处理7 3.1工程控制网数据处理方法7 3.2 GPS基线处理与质量控制8 3.2.1 GPS基线边的解算8 3.2.2 各种检核计算9 3.2.3 平差计算和成果分析9 4.分析与总结10 5.参考文献11 6.致谢11
GPS工程测量及数据处理研究 Ⅱ摘要：GPS测量技术具有测量时间短、技术含量高、精确度高等优点，在工程测量实践中发挥着越来越重要的作用。本文主要通过介绍GPS的系统组成、工作原理、技术特点等基本情况，系统总结了GPS技术在工程测量中的应用情况，及其在工程测量后的数据处理方法。 Ⅲ关键词：全球定位系统； GPS测量技术；工程测量；应用。静态测量；动态测量；数据处理 1.GPS和工程测量等相关概念 1．1GPS相关概念 1.1.1 GPS概念 GPS是英文Navigation SatelliteTiming And Ranging／Global PositioningSystem 卫星测时测距导航／全球定位系统）的简称，而其中文简称为“球位系”。GPS是20世纪70年代由美国陆海空三军联合研制的新一代空间卫星导航定位系统。其主要目的是为陆、海、空三大领域提供实时、全天候和全球性的导航服务，并用于情报收集、核爆监测和应急通讯等一些军事目的，是美国独霸全球战略的重要组成。经过20余年的研究实验，耗资300亿美元，到1994年3月，全球覆盖率高达98％的24颗GPS卫星星座己布设完成。 1.1.2 GPS技术 GPS定位技术的高度自动化及其所达到的高精度和具有的潜力，也引起了广大测量工作者的极大兴趣。当时GPS定位基本上只有一个作业模式——静态相对定位，两台或若干台GPS接收机安置在待定点上，连续同步观测同一组卫星1-2h或更长一些时间，通过观测数据的后处理，给出各待定点间的基线向量，在采用广播星历的条件下，静态定位可取得5mm＋1×10－6D<双频）或10mm＋2×10－6D<单频）基线解精度。随着技术的发展，快速静态定位为短基线测量作业闯出了一条新路，大大提高了GPS测量的劳动生产率。一对GPS测量系统<双频）在10km以内的短边上，正常接收4-5颗卫星5min左右，即可获取5-10mm＋1×10－6D的基
遗传算法概述
第1期作者简介：李红梅（1978-），女，湖南湘潭人，硕士，广东白云学院讲师，研究方向为演化计算。 1遗传算法的发展史 遗传算法（Genetic Algorithms ）研究的历史比较短，20世纪 60年代末期到70年代初期，主要由美国家Michigan 大学的John Holland 与其同事、学生们研究形成了一个较完整的理论 和方法，遗传算法作为具有系统优化、适应和学习的高性能计算和建模方法的研究渐趋成熟。我国对于GA 的研究起步较晚，不过从20世纪90年代以来一直处于不断上升中。 2遗传算法的基本思想 遗传算法是从代表问题可能潜在解集的一个种群（popu- lation ）开始的，而一个种群则由经过基因（gene ）编码（coding ） 的一定数目的个体（individual ）组成。每个个体实际上是染色体（chromosome ）带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现是某种基因组合，它决定了个体的形状的外部表现。初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation ）演化产生出越来越好的近似解。在每一代中，根据问题域中个体的适应度（fitness ）、大小挑选（selection ）个体，借助于自然遗传学的遗传算子（genetic operators ）进行组合交叉（crossover ）和变异（mutation ），产生出代 表新的解集的种群。这个过程将导致后生代种群比前代更加适应环境，末代种群中的最优个体经过解码（decoding ），可以作为问题近似最优解。 3遗传算法的一般流程 （1）随机产生一定数目的初始种群，每个个体表示为染色 体的基因编码； （2）计算每个个体的适应度，并判断是否符合优化准则。若符合，输出最佳个体及其代表的最优解并结束计算，否则转向第3步； （3）依据适应度选择再生个体，适应度高的个体被选中的概率高，适应度低的个体可能被淘汰； （4）执行交叉和变异操作，生成新的个体；（5）得到新一代的种群，返回到第2步。 4遗传算法的特点 传统的优化方法主要有三种：枚举法、启发式算法和搜索 算法： （1）枚举法 可行解集合内的所有可行解，以求出精确最 优解。对于连续函数，该方法要求先对其进行离散化处理，这样就可能因离散处理而永远达不到最优解。此外，当枚举空间比较大时，该方法的求解效率比较低，有时甚至在目前先进计算机工具上无法求解。 （2）启发式算法 寻求一种能产生可行解的启发式规则， 以找到一个最优解或近似最优解。该方法的求解效率比较高，但对每一个需求解的问题必须找出其特有的启发式规则。这个启发式规则一般无通用性，不适合于其它问题。 （3）搜索算法 寻求一种搜索算法，该算法在可行解集合 的一个子集内进行搜索操作，以找到问题的最优解或者近似最优解。该方法虽然保证不了一定能够得到问题的最优解，但若适当地利用一些启发知识，就可在近似解的质量和效率上达到一种较好的平衡。 遗传算法不同于传统的搜索和优化方法。主要区别在于： ①遗传算法直接处理问题参数的适当编码而不是处理参数集 本身。②遗传算法按并行方式搜索一个种群数目的点，而不是 遗传算法概述 李红梅 （广东白云学院计算机系，广东广州510450） 摘要：遗传算法是一种全局优化的随机搜索算法。它是解决复杂优化问题的有力工具。在工程设计、演化硬件电路 设计以及人工智能等方面应用前景广阔。系统地介绍了遗传算法的发展史、基本思想、特点、主要应用领域等相关方 面。 关键词：遗传算法；搜索；进化；最优解；种群中图分类号：TP312 文献标识码：A 文章编号：1672-7800（2009）01-0067-02 第8卷第1期2009年1月 Vol.8No.1Jan.2009 软件导刊 Software Guide
关于环境保护的文献综述
关于环境保护的文献综述 摘要：随着人口、工农业生产和科学技术的飞速发展 ,环境和环境问题已越来越引起人们的普遍关注和重视。面对世界范围内的环境危机的严峻挑战 ,开展并加强环境保护工作已迫在眉睫。本文主要介绍了以现代微生物选育及培养技术和新型高效生物反应器为基础的环境生物技术在水污染治理、城市垃圾填埋、工农业污染源等方面的应用，最后还讨论了环境生物技术的应用及发展前景。 关键词：环境生物技术；污染治理；城市垃圾填埋；废水；应用前景；MBR技术；环境保护 前言 环境生物技术(EnvironmentalBiotechnology) 是指直接或间接利用生物的生理活动 ,建立降低或消除污染物的生产工艺 ,或能够高效地净化被污染的环境以及将污染物转化为资源的人工技术，是现代生物技术与环境科学结合产生的一门新兴交叉学科, 是从传统的废水生物处理技术起始, 通过应用现代微生物选育和培养技术和新型高效生物反应器, 而逐步发展起来的一种经济效益和环境效益俱佳的、解决当前日益严重的包括水污染在内的“三废”问题的最有效手段之一。 通常，日常生活中较普遍的污染源就是“三废”。“三废”指的是废水、废气和固体废弃物，这三大污染源严重污染了人类的生存环境。将环境生物技术应用于“三废”问题的治理 ,主要是指利用微生物原理将污染物质进行生物降解和生物转化 ,从而提高环境质量 ,达到环境污染治理的目的。 环境生物技术的起源可以追溯到一百多年前的活性污泥工艺的发展 ,其理论和实用技术在此一百多年来不断发展和进步 ,并得到广泛应用 ,对控制环境污染和改善环境质量起到了重要作用。而从全世界范围来看,环境污染至今还没有得到有效控制,特别是对发展中国家而言。在我国,随着经济的迅猛发展 ,环境污染现状也依然严峻 ,并有加剧的趋势，近年来 ,我国的环境污染治理力度不断加大 ,进入了一个新的高速发展时期 ,对环境污染治理新技术的要求也日益迫切。随着现代生物技术的发展 ,尤其是现代分子生物学技术的出现 ,为环境科学的发展带来了新的机遇。现代环境生物技术就是在这一形势下形成的。它是现代生物技术在环境科学领域中的应用 ,是现代生物技术与环境科学紧密结合而形成的新兴交叉学科 ,是一种经济效益和环境效益俱佳的、解决复杂环境污染问题的有效手段 ,是当代环境科学研究发展的主导方向之一。 目前生物技术应用于环境保护中主要是利用微生物，少部分利用植物作为环境污染控制的生物。生物技术已是环境保护中应用最广的、最为重要的单项技术，其在水污染控制、大气污染治理、有毒有害物质的降解、清洁可再生能源的开发、废物资源化、环境监测、污染环境的修复和污染严重的工业企业的清洁生产等环境保护的各个方面，发挥着极为重要的作用。应用环境生物技术处理污染物时，最终产物大都是无毒无害的、稳定的物质，如二氧化碳、水和氮气。利用生物方法处理污染物通常能一步到位，避免了污染物的多次转移，因此它是一种消除污染安全而彻底的方法。特别是现代生物技术的发展，尤其是基因工程、
视频目标跟踪算法综述_蔡荣太
1引言 目标跟踪可分为主动跟踪和被动跟踪。视频目标跟踪属于被动跟踪。与无线电跟踪测量相比，视频目标跟踪测量具有精度高、隐蔽性好和直观性强的优点。这些优点使得视频目标跟踪测量在靶场光电测量、天文观测设备、武器控制系统、激光通信系统、交通监控、场景分析、人群分析、行人计数、步态识别、动作识别等领域得到了广泛的应用[1-2]。 根据被跟踪目标信息使用情况的不同，可将视觉跟踪算法分为基于对比度分析的目标跟踪、基于匹配的目标跟踪和基于运动检测的目标跟踪。基于对比度分析的跟踪算法主要利用目标和背景的对比度差异，实现目标的检测和跟踪。基于匹配的跟踪主要通过前后帧之间的特征匹配实现目标的定位。基于运动检测的跟踪主要根据目标运动和背景运动之间的差异实现目标的检测和跟踪。前两类方法都是对单帧图像进行处理，基于匹配的跟踪方法需要在帧与帧之间传递目标信息，对比度跟踪不需要在帧与帧之间传递目标信息。基于运动检测的跟踪需要对多帧图像进行处理。除此之外，还有一些算法不易归类到以上3类，如工程中的弹转机跟踪算法、多目标跟踪算法或其他一些综合算法。2基于对比度分析的目标跟踪算法基于对比度分析的目标跟踪算法利用目标与背景在对比度上的差异来提取、识别和跟踪目标。这类算法按照跟踪参考点的不同可以分为边缘跟踪、形心跟踪和质心跟踪等。这类算法不适合复杂背景中的目标跟踪，但在空中背景下的目标跟踪中非常有效。边缘跟踪的优点是脱靶量计算简单、响应快，在某些场合（如要求跟踪目标的左上角或右下角等）有其独到之处。缺点是跟踪点易受干扰，跟踪随机误差大。重心跟踪算法计算简便，精度较高，但容易受到目标的剧烈运动或目标被遮挡的影响。重心的计算不需要清楚的轮廓，在均匀背景下可以对整个跟踪窗口进行计算，不影响测量精度。重心跟踪特别适合背景均匀、对比度小的弱小目标跟踪等一些特殊场合。图像二值化之后，按重心公式计算出的是目标图像的形心。一般来说形心与重心略有差别[1-2]。 3基于匹配的目标跟踪算法 3.1特征匹配 特征是目标可区别与其他事物的属性，具有可区分性、可靠性、独立性和稀疏性。基于匹配的目标跟踪算法需要提取目标的特征，并在每一帧中寻找该特征。寻找的 文章编号：1002－8692（2010）12-0135-04 视频目标跟踪算法综述* 蔡荣太1，吴元昊2，王明佳2，吴庆祥1 （1.福建师范大学物理与光电信息科技学院，福建福州350108； 2.中国科学院长春光学精密机械与物理研究所，吉林长春130033） 【摘要】介绍了视频目标跟踪算法及其研究进展，包括基于对比度分析的目标跟踪算法、基于匹配的目标跟踪算法和基于运动检测的目标跟踪算法。重点分析了目标跟踪中特征匹配、贝叶斯滤波、概率图模型和核方法的主要内容及最新进展。此外，还介绍了多特征跟踪、利用上下文信息的目标跟踪和多目标跟踪算法及其进展。 【关键词】目标跟踪；特征匹配；贝叶斯滤波；概率图模型；均值漂移；粒子滤波 【中图分类号】TP391.41；TN911.73【文献标识码】A Survey of Visual Object Tracking Algorithms CAI Rong-tai1,WU Yuan-hao2,WANG Ming-jia2,WU Qing-xiang1 （1.School of Physics,Optics,Electronic Science and Technology,Fujian Normal University,Fuzhou350108,China; 2.Changchun Institute of Optics,Fine Mechanics and Physics,Chinese Academy of Science,Changchun130033,China）【Abstract】The field of visual object tracking algorithms are introduced,including visual tracking based on contrast analysis,visual tracking based on feature matching and visual tracking based on moving detection.Feature matching,Bayesian filtering,probabilistic graphical models,kernel tracking and their recent developments are analyzed.The development of multiple cues based tracking,contexts based tracking and multi-target tracking are also discussed． 【Key words】visual tracking;feature matching;Bayesian filtering;probabilistic graphical models;mean shift;particle filter ·论文·*国家“863”计划项目（2006AA703405F）；福建省自然科学基金项目（2009J05141）；福建省教育厅科技计划项目（JA09040）