1、“.....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......”。

2、“.....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......”。

3、“.....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......”。

4、“.....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......”。

5、“.....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......”。

6、“.....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......”。

7、“.....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......”。

8、“.....其鲁棒性强，不容易陷入局部最优中，但局部搜索能力不强，优化时间过长。湖南工业大学本科毕业设计论文结论本文对基于互信息的图像配准方法进行了比较详细的研究。互信息配准方法具有目前最好的稳健性和配准精度，但是也有些缺点互信息函数不是个平滑的函数，包含有许多局部极值，采用传统的优化算法容易导致误配准，因此国内外学者们对互信息配准方法的研究仍然在深入进行，并提出了很多不同的改进方法。本文以基于互信息的图像配准为核心，归纳起来，全文的主要研究工作在于讨论了互信息的基本概念互信息配准的般步骤以及插值方法出界点处理方法和灰度级数目对互信息配准的影响。对互信息配准中的优化算法和现代智能优化算法进行了研究，提出了采用蚁群算法和遗传模拟退火混合优化算法进行优化的配准算法......”。

9、“.....配准结果的稳健性与精度都要优于法等传统优化方法。将基于互信息的配准方法应用到图像配准中，能够取得比较好的结果，我们提出的优化算法提高了配准的精度鲁棒性和速度。但是要将其应用到临床中还需要做更深入的研究，仍然还有很多工作要做，下步研究工作应包括以下几个方面增加临床实际图像数据的配准实验研究。虽然标准数据在配准中占很重要的地位，可以验证配准方法的精度稳健性和可靠性，但是只有进行大量的不同的临床数据的实验，才能充分体现出配准方法的性能。将配准的变换类型扩展到非刚体配准。在实际的图像配准应用中，有很多情况并不能简单的用个刚体变换来实现，采用非刚体变换的配准方法使用范围更广些。优化策略的进步改进。我们所采用的蚁群算法是种比较新的优化算法，其出现时间不长......”。