（定稿）废旧五金电器、家电拆解项目立项申报材料0（喜欢就下吧）

算法具有固有的并行性，通过对种群的遗传操作可处理大量的模式，并且容易并行实现，非常适用于大规模并行计算机。

遗传算法也存在缺点，传统的选择交叉变异机制和按适应值比例选择，使得高于群体平均的个体在下代中获得较多的取样，这样不断进行，旦些个体取样在群体中占有优势，传统遗传算法就会强化这种优势，从而使搜索范围迅速变窄，但迅速收敛的群体达到的未必是全局最优，这就产生了过早收敛问题。

遗传模拟退火混合优化算法遗传算法和模拟退火算法的全局搜索能力强，优化结果的鲁棒性与传统优化方法相比有很大的提高，但也都存在着各自的缺点，所以这两种优化单独应用于图像配准中效果都不甚理想，为此我们将模拟退火算法的接受准则引入到遗传算法中，提出了采用遗传模拟退火混合优化算法的图像配准方法。

为克服遗传算法的过早收敛，保持种群的个体多样性就变得十分必要。

但是保持多样性并不是各个随机串的混合，因为这样算法最终很难收敛，而是指有用的多样性，即种群中的些个体分别代表解空间不同的局部所在的区域。

在传统的遗传算法的交叉变异算子中，当新个体替换其父代个体时，存在两种不利的情况如果和在同区域且是局部最优，那么会丢失这个局部最优如果和不在同区域且的适应值比的适应值小，会使所在的区域丢失个元素，而且在下代的选择算子中易被排除，这样易使所在的区域又丢失个元素，使得有用的多样性得不到保证。

湖南工业大学本科毕业设计论文图遗传模拟退火混合优化算法的流程图开始确定初始温度，初始化种群，计算个体适应值选择父本，交叉变异生成子代，用替换以概率用替换，满足算法停止准则输出搜索结果结束湖南工业大学本科毕业设计论文以上情况出现越多，越有两种可能种群收敛向局部区域或各个局部区域之间的个体互换量基本相当，这时种群的收敛性同样很差，很难找到接近全局最优的解。

对于这些问题，遗传算法和模拟退火算法相结合的混合优化算法是种有效的解决办法，即在中引入接受准则，我们将其应用到基于互信息的图像配准中。

遗传模拟退火混合优化算法的主要步骤如下初始化算法各参数随机产生组初始个体构成初始种群，计算种群中每个个体相应的适应值判断是否符合算法停止准则，若符合则算法结束，返回最优解否则做以下各步采用轮盘赌法从种群中选择适应值较大的对个体，作为父本，对每对父本进行如下操作由父本，通过交叉变异生成子代计算，的适应值若，则用替换否则，以概率接受返回。

算法流程图如图所示。

由于遗传算法中交叉算子和变异算子对算法完成全局搜索的重要作用及其对有效模式的破坏作用，所以在算法中我们需要对其加以控制。

模拟退火算法的概率接受准则，既保证了搜索的全局特征又使算法趋于收敛，可以用于对交叉变异算子的控制。

在遗传算法初期，接受概率接近于，可以保接受准则引入到遗传算法中，能很好的克服遗传算法容易过早收敛问题，不容易陷入局部最优值，配准精度达到亚像素级。

采用蚁群算法以及遗传算法进行配准，其鲁棒性强，不容易陷入局部最优中，但局部搜索能排成的串即染色体。

生成初始种群随机产生个初始个体构成初始种群，种群的规模和多样性对遗传算法的性能有很大的影响，应该尽量根据先验知识将初始群体分布到最优解附近。

个体适应值评估用适应值函数来评价每个体的适应值，得出个体的优劣程度。

适应值将作为选择操作的依据。

经过以上准备步骤，遗传算法开始进行遗传操作，遗传操作包括三个基本遗传算子选择交叉变异。

每个基本操作都有多种不同的方法。

选择选择是根据个体的优劣程度即适应值决定它是被复制到下代中还是被淘汰。

交叉所谓交叉是指把两个父代个体的部分基因互换而生成新个体的操作。

基本的交叉方法有单点交叉双点交叉多点交叉等。

变异根据变异率对个体的些位的基因值随机变动，这可以为新个体的产生提供机会。

变异使遗传算法具有局部的随机搜索能力，同时有助于增加种群的多样性，避免早熟收敛。

经过以上步骤得到了新的种群，如果没达到循环终止条件，否则转入步骤反复迭代。

标准遗传算法的流程图描述如图所示。

二遗传算法参数的选择中的参数选择包括群体规模收敛判定准则交叉概率和变异概率等。

目前对的参数设置的合理选择还缺少相应的理论作为指导。

由于算法中控制参数的选取关系到的精度可靠性和计算时间等诸多因素，并且影响到结果的质量和系统性能。

关键参数选择规制如下种群大小种群规模太小时，会影响搜索范围，难以维持种群个体的多样性，太大则计算复杂度高搜索效率低，般取为到之间。

交叉率和变异率交叉率和变异率的设置关系到的收敛性和群体中个体的多样性。

越大，则算法的算法搜索力强，个体的平均适应值波动较大相反，小，较优个体不易被破坏，个体的平均适应之波动较小，遗传算法收敛湖南工业大学本科毕业设计论文慢。

般取从到之间，取到之间。

图标准遗传算法的流程图收敛准则是种反复迭代的搜索方法，它通过多次进化逐渐逼近最优解而不是恰好等于最优解，因此需要确定收敛准则。

目前采用的收敛判定准则有多种，如规定遗传迭代的代数或连续几次迭代得到的最优个体的适应值没有变化或者变化很小时，或种群中最优个体的适应值与平均适应值之差和平均适应值的比值小于给定允许值时等等。

三遗传算法的特点遗传算法利用生物进化和遗传的思想实现优化过程，区别于传统优化算法，它具开始初始化种群计算个体适应值是否满足收敛准则选择交叉变异输出搜索结果结束湖南工业大学本科毕业设计论文有以下特点对问题参数编码成染色体后进行优化操作，而不是针对参数本身，这使得不受函数约束条件的限制，如连续性可导性等。

的搜索过程是从问题的个集合开始的，而不是从单个个体开始的，具有隐含并行性搜索特征，从而大大减小了陷入局部极值的可能。

使用的遗传操作均是利用概率转移规则，而非确定性规则，同时根据个体的适应值信息进行搜索，无需其他信息，如导数信息等。

具有全局搜索能力，最善于搜索复杂问题和非线性问题。

遗传算法的优越性主要表现在算法进行全空间搜索，并将搜索重点集中于性能高的部分，从而能够提高效率且不易陷入局部最优，即使在所定义的适应值函数是不连续的非规则的或有噪声的情况下，它也能以很力不命令增强了无需复杂编程就可以管理和显示数据源的数据捆绑控件支持对象连接与嵌入数据库组件对象模型接口配置使用和查看数据库结构查询和存储过程的工具可以使你在顺序记录集的基础上快速生成报表的控件并完全支持多层数据存取结构。

新控件包括数据绑定控件微软的浏览器风格的工具条控件快速方便的下拉式日期与时间入口控件能显示相关记录集的多层栅格控件等。

新的特征能够编写适于互联网服务器的服务器端应用程序支持动态简化了应用程序的打包和在上发送的出版向导支持异步操作并可以在浏览期间存储控件的状态等。

集成的功能可以使你创建并分布可以在和你们的公司的内部网上运行的应用程序。

数据存取可以使你针对入微软的和等不同数据库服务器开发完善的客户机服务器应用程序，管理数据源和创建服务器端控件包括存取。

运行速度明显提高由于在中引入了所谓的本地代码编译器，克服了以往版本由于执行文件采用代码而导致运行速度慢的问题，使得程序执行速度大大加快。

根据的声明，采用本地代码编译后得到的应用程序在些情况下执行速度较以往提高了倍，执行速度可以直接与采用编写的应用程序的执行速度，而应用程序开发效率高则是的特长。

因此，目前非常具有竞争力。

硬件环境本系统主要采用单机操作，投入少，效率高，易于管理和维护，系统升级简单，适合企业信息化管理的需要。

基本要求如下为以上内存为以上硬盘至少为以上打印机台配有光驱和软盘。

系统测试软件测试的任务在软件投入生产性运行之前，尽可能多地发现软件中的。

测试的目的是为了发现程序中的而执行程序的过程。

好的测试方案是极可能发现迄今为止尚未发现的的测试方案。

成功的测试是发现了到今为止尚未发现的的的测试。

黑盒测试是已经知道产品应该具有的功能，通过测试来检验是否每个功能都能正常使用。

白盒测试是知道产品的内部工作过程，可以通过来检验产品内部动作是否按照说明书的规定正常进行。

测试用例在设计中，为了测试系统的功能是否都按要求实现了，我采用黑盒测试方法。

对于输入功能模块，采用输入数据的方法测试，输入边缘数据空数据库中存在的纪录，都能得到相应的提示。

对于查询功能模块，采用输入查询条件实际查询的方法测试，输入正确条件，条件都能得到相应的结果。

对于输出功能模块，采用系统演示运行的方法测试，确定输出内容，即可正确输出所要结果。

系统测试又称集成测试，把经过测试的子系统装配成个完整的系统来测试。

系统使用与维护说明书系统安装与配置说明安装进入安装界面，选择安装向导，点击后进入，选择工作站工具和组件，然后点击下步进入安装环境，具体界面如下点击下步，出现安装程序点击，出现界面选择接受协议然后点击下步，界面如下输入序列号点击下步出现界面用户的具体需要和系统要实现的目标，才能发现现有系统存在的不足，并在系统开发中加以改进。

设计过程中，我们进步体会到理论联系实践的重要性。

课本中所学的知识与在实践中的应用之间是有定的差距的，在实践的过程中，我们收集大量的资料，积级做设计前的准备工作，遇到问题先分析原因，又经过多次的修改，最终的到了客户的大的概率找到整体最优解。

算法具有固有的并行性，通过对种群的遗传操作可处理大量的模式，并且容易并行实现，非常适用于大规模并行计算机。

遗传算法也存在缺点，传统的选择交叉变异机制和按适应值比例选择，使得高于群体平均的个体在下代中获得较多的取样，这样不断进行，旦些个体取样在群体中占有优势，传统遗传算法就会强化这种优势，从而使搜索范围迅速变窄，但迅速收敛的群体达到的未必是全局最优，这就产生了过早收敛问题。

遗传模拟退火混合优化算法遗传算法和模拟退火算法的全局搜索能力强，优化结果的鲁棒性与传统优化方法相比有很大的提高，但也都存在着各自的缺点，所以这两种优化单独应用于图像配准中效果都不甚理想，为此我们将模拟退火算法的接受准则引入到遗传算法中，提出了采用遗传模拟退火混合优化算法的图像配准方法。

为克服遗传算法的过早收敛，保持种群的个体多样性就变得十分必要。

但是保持多样性并不是各个随机串的混合，因为这样算法最终很难收敛，而是指有用的多样性，即种群中的些个体分别代表解空间不同的局部所在的区域。

在传统的遗传算法的交叉变异算子中，当新个体替换其父代个体时，存在两种不利的情况如果和在同区域且是局部最优，那么会丢失这个局部最优如果和不在同区域且的适应值比的适应值小，会使所在的区域丢失个元素，而且在下代的选择算子中易被排除，这样易使所在的区域又丢失个元素，使得有用的多样性得不到保证。

湖南工业大学本科毕业设计论文图遗传模拟退火混合优化算法的流程图开始确定初始温度，初始化种群，计算个体适应值选择父本，交叉变异生成子代，用替换以概率用替换，满足算法停止准则输出搜索结果结束湖南工业大学本科毕业设计论文以上情况出现越多，越有两种可能种群收敛向局部区域或各个局部区域之间的个体互换量基本相当，这时种群的收敛性同样很差，很难找到接近全局最优的解。

对于这些问题，遗传算法和模拟退火算法相结合的混合优化算法是种有效的解决办法，即在中引入接受准则，我们将其应用到基于互信息的图像配准中。

遗传模拟退火混合优化算法的主要步骤如下初始化算法各参数随机产生组初始个体构成初始种群，计算种群中每个个体相应的适应值判断是否符合算法停止准则，若符合则算法结束，返回最优解否则做以下各步采用轮盘赌法从种群中选择适应值较大的对个体，作为父本，对每对父本进行如下操作由父本，通过交叉变异生成子代计算，的适应值若，则用替换否则，以概率接受返回。

算法流程图如图所示。

由于遗传算法中交叉算子和变异算子对算法完成全局搜索的重要作用及其对有效模式的破坏作用，所以在算法中我们需要对其加以控制。

模拟退火算法的概率接受准则，既保证了搜索的全局特征又使算法趋于收敛，可以用于对交叉变异算子的控制。

在遗传算法初期，接受概率接近于，可以保接受准则引入到遗传算法中，能很好的克服遗传算法容易过早收敛问题，不容易陷入局部最优值，配准精度达到亚像素级。

采用蚁群算法以及遗传算法进行配准，其鲁棒性强，不容易陷入局部最优中，但局部搜索能