⛄一、基于遗传算法的图像重建
遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法,它相对于传统的基于目标函数最小化的搜索算法相比,具有以下特点:遗传算法的搜索始于解的一个种群,而不是传统优化方法的单个解;遗传算法只使用适值函数,而不使用目标函数的梯度或高阶导数等辅助条件;遗传算法采用概率的,而不是确定的状态转移规则。以上特点使得遗传算法能够非常有效地进行概率意义下的全局搜索,从而有能力收敛于问题的最优解[5]。
遗传算法的操作通常有以下一些内容:编码与初始种群的生成;适应度评估与遗传选择;交叉操作和变异操作。
1 编码与初始种群的生成
由于遗传算法不能直接处理问题空间的参数,必须把它们转换成遗传算法空间的由基因按一定结构组成的染色体,这一转换叫编码,也可以称作为问题的表示。种群是由多个染色体组成的,它们是问题的多个可能的解。
对于静态EIT图像重建,我们将EIT的FEM模型中的各单元阻抗值ρi(i=1,2,…m)表示为基因,全体单元阻抗的一种分布表示为一个染色体。如图2所示的FEM离散模型中,区域被离散成32个三角单元,则每个单元的阻抗值ρi(i=1,2,…m)表示为一个基因,一个染色体由32个基因(单元阻抗值)组成,初始种群由一组随机产生的初始阻抗分布(初始解)组成。
2 适应度评估与遗传选择
适值