关于遗传算法与计算机视觉的问题，小编就整理了3个相关介绍遗传算法与计算机视觉的解答，让我们一起看看吧。
遗传算法有多重要？运算过程
遗传算法(Genetic Algorithm)是一类借鉴生物界的进化规律(适者生存，优胜劣汰遗传机制)演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定;具有内在的隐并行性和更好的全局寻优能力;采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。
对于一个求函数最大值的优化问题(求函数最小值也类同)，一般可以描述为下列数学规划模型:式中x为决策变量，式2-1为目标函数式，式2-2、2-3为约束条件，U是基本空间，R是U的子集。满足约束条件的解X称为可行解，集合R表示所有满足约束条件的解所组成的集合，称为可行解集合。
遗传算法也是计算机科学人工智能领域中用于解决最优化的一种搜索启发式算法，是进化算法的一种。这种启发式通常用来生成有用的解决方案来优化和搜索问题。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。遗传算法在适应度函数选择不当的情况下有可能收敛于局部最优，而不能达到全局最优。
遗传算法有哪些利弊？遗传算法的优点：
1. 与问题领域⽆关切快速随机的搜索能⼒。
2. 搜索从群体出发，具有潜在的并⾏性，可以进⾏多个个体的同时⽐较，robust.
3. 搜索使⽤评价函数启发，过程简单
4. 使⽤概率机制进⾏迭代，具有随机性。
5. 具有可扩展性，容易与其他算法结合。
遗传算法的缺点：
1、遗传算法的编程实现⽐较复杂,⾸先需要对问题进⾏编码，找到最优解之后还需要对问题进⾏解码,
2、另外三个算⼦的实现也有许多参数，如交叉率和变异率，并且这些参数的选择严重影响解的品质,⽽⽬前这些参数的选择⼤部分是依靠经验.
3、没有能够及时利⽤⽹络的反馈信息，故算法的搜索速度⽐较慢，要得要较精确的解需要较多的训练时间。
4、算法对初始种群的选择有⼀定的依赖性，能够结合⼀些启发算法进⾏改进。
5、算法的并⾏机制的潜在能⼒没有得到充分的利⽤，这也是当前遗传算法的⼀个研究热点⽅向。
遗传算法的基本步骤和主要特点是什么？遗传算法的基本步骤是：
1、初始化；
2、个体评价；
3、选择运算；
4、交叉运算；
5、变异运算，将变异算子作用于群体；
6、终止条件判断。
遗传算法是一种可用于复杂系统优化的一种搜索算法，与传统的算法相比，具有以下4个特点：
1，它是以决策变量的编码作为运算对象；2，遗传算法直接以适应度作为搜索信息，无需导数等其他辅助信息；
3，遗传算法使用多个点的搜索信息，具有隐含并行性；
4，它没有使用非确定性规则，而是采用了概率搜索技术。
到此，以上就是小编对于遗传算法与计算机视觉的问题就介绍到这了，希望介绍遗传算法与计算机视觉的3点解答对大家有用。
