遗传规划--初探

2019独角兽企业重金招聘Python工程师标准>>>

简介

遗传规划本身是一种最优化算法，以达尔文的进化论思想为基础，采用优胜劣汰，适者生存的策略。
不同于遗传算法的求解最优解，遗传规划一般用于求解最优的解结构，而解的结构一般用图或者树状的结构。

数学表达

定义{(xi, yi); xi∈X, yi∈Y, i∈I} 是给定的一对输入输出集合，其中X, Y均为有限维空间上的子集，I为指标集；C(X)是X上所有连续函数的全体，F是C(X)上的子集，ρ为乘积空间Π(i∈I)上的距离。
则遗传规划是求解f'∈F，使得任意f∈F，有：

算法步骤

1. 初始化(Initialization)
   随机生成多个个体，初始化种群(population)

2. 评价函数(Evaluation)
   确定适当的适应度函数(Fitness)，并评价所有个体

3. 选择(Selection)
   通过适应度函数和随机因子，在种群中选择下一代的个体

4. 交换(Crossover)
   随机选中两个个体的子树，进行交换

5. 突变(Mutation)
   随机选中个体的一个节点，将以节点为根的子树用随机生成的突变树替换

6. 终止(Terminal Criterion)
   重复步骤2~5，直至满足终止条件
   终止条件，出现是适应度满足需求的个体或者达到循环次数

大致的算法流程图：

关注点一：初始化种群

终止集

解结构中的叶子节点，一般可以是常量或者变量。以我自己的图像处理为例，一般是输入的图像

函数集

一般是解结构中的运算符，也就是函数。以图像处理为例，多为各种滤波器，一个或者两个输入的滤波器都可以。

解结构
节点 I 属于终止集，其他节点 f 属于函数集。

关注点二：适应度函数

图像处理过程中，适应度函数相对较为容易确定。一般取目标图像和输出图像的像素差的方差等即可。

关注点三：选择算法

选择算法很多。一般采用轮盘算法，可以在一定程度上平衡物种多样性和优胜劣汰，从而更快得到最优结构。

关注点四：遗传操作-交叉、突变

遗传操作也不局限于这么几种，但交叉(Crossover)和变异(Mutation)是最常见的两种遗传操作。

工具箱

• C语言 DGPC(Dave’s Genetic Programming code in C)

  • 没有完善文档
  • 添加滤波器、处理图片不方便

• Matlab GPLab ToolBox √

  • 英文文档
  • 可以通过函数添加滤波器

• GPOLSV2

  • Matlab 工具箱

图像处理与GPLab

还没有完成程序，但是想法上是这样的： 1. 终止集应该是待处理图像。在GPLab中，个人觉得可以写一个没有参数的函数，返回值是image。 2. 函数集就是图像处理过程中需要的各种滤波器。应该单输入和双输入的滤波器都包含一些。 3. 适应度函数追求简单高效。

--- EOF --- 未完待续

转载于:https://my.oschina.net/gongshang/blog/272130