2025年07月24日
遗传算法是由美国密歇根大学的 Holland教授创立于20世纪六七十年代，受达尔文“进化论”思想的启发而设计实现。遗传算法不是通过暴力搜索解的方法，而是通过模拟种群的基因交叉和突变，经过种群一代一代的适者生存的方式寻找问题优解的方法，这在解决组合优化时解空间组合爆炸中应用广泛。
我们可以这样形象地理解遗传算法，假设我们现在需要找到一个最能抵抗寒冷的人类，那么遗传算法是这样设计的：首次创造一个较寒冷生活环境(问题的限制条件)，在这个环境中投入一批各种各样的人类(初始种群)，让人类在这种寒冷的环境中生存。人类一代一代的生活，周围环境也设置得越来越寒冷，同时人类在产生下一代的时候也伴随着基因的交叉和变异(遗传算法的迭代过程)。正是随着基因交叉和突变，慢慢的产生了极少数可以抵抗寒冷的基因，慢慢的拥有可以抵抗寒冷基因的人更加适应环境而得以发展，慢慢的能够适应寒冷的人类生存了下来，其它不适应环境的被淘汰了，这个过程就是解空间的慢慢趋于优的过程，遗传算法就是模拟这一过程 。
2025年07月24日
摘 要： 针对常规二维最佳熵法计算复杂，运行时间长，收敛性差等不足，提出基于改进遗传算法的二维最佳熵阈值分割方法。通过对选择、交叉、变异等因子的优化设计，使阈值搜索的鲁棒性与收敛性有了很大改善，并对图像的分割效果进行评价。分析与仿真结果表明，改进算法在大大减少阈值搜索时间的同时，保持了良好的分割性能。
0 引言
自20世纪50年代以来，对图像分割方法的研究不断深入与发展，涌现出了许多新理论、新方法。但到目前为止，尚不存在一种通用的图像分割方法。同时缺乏一种评价各种算法性能优劣的判断标准。在众多图像分割方法中，阈值法以其实现简单、计算量小、性能稳定成为图像分割中最基本、应用最广泛的分割技术。但是，如何选取合适阈值以获得理想的分割效果成为阈值分割的一大难点[1]。随着智能算法的不断发展，将智能方法用于阈值的优化成为图像分割研究的热点[2-4]。在繁多的算法中往往存在着诸如算法的抗噪性能、运算时间、全局优化性等方面的不足。此外，各种算法的评价也缺乏完善、客观的标准，如何评判图像分割算法的性能成为图像分割研究的又一大难题。