基于MapReduce模型的并行遺傳算法的研究及應用.pdf

1、邊緣是圖像最核心的屬性，包含了很多有用的數據。邊緣檢測技術利用圖像的邊緣信息對圖像進行分割獲得目標圖像，它是圖像進行其它處理的基礎。因此，被廣泛的應用在圖像分割、目標跟蹤、模式識別等領域。作為一種智能優(yōu)化算法，遺傳算法可以對邊緣檢測進行優(yōu)化處理。
　　遺傳算法在串行的處理數據量大、復雜度高的圖像等應用時存在求解質量差、收斂速度慢等缺陷。本文研究了基于MapReduce編程模型的并行遺傳算法的實現框架，以提高算法處理大量復雜數據的速

2、度和能力。在該框架的基礎上，對算法提出了一些改進，提高了問題的求解質量。
　　本文的主要工作有：（1）為了解決遺傳算法存在的早熟問題，本文給出了一種改進的評估種群早熟程度的方法。該方法通過計算所有較優(yōu)個體的平均適應度與最大適應度的比值來評估種群的早熟程度。與其它方法相比，該方法具有計算量小、歸一化等優(yōu)點。（2）利用上述評估種群早熟程度的方法，改進了并行遺傳算法的遷移算子。通過評估子種群的早熟程度動態(tài)地調整子種群的遷移周期，有利于提

3、高算法的收斂速度和解的質量。然后根據改進的并行遺傳算法，設計了基于MapReduce模型的并行遺傳算法框架。（3）根據高維空間中的極值點趨向于分布在空間邊界處這一理論，本文給出了空間點的邊界隸屬度這一概念。邊界隸屬度反映了點的邊界隸屬程度，可以用來評估該點是否趨近于極值點。在遺傳算法的選擇和變異操作中，可以根據染色體的邊界隸屬度動態(tài)的調整個體的交叉概率和變異概率，以提高算法的收斂性。（4）把以上給出的對并行遺傳算法的改進應用到邊緣檢測中