1、“.....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......”。

2、“.....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......”。

3、“.....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......”。

4、“.....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......”。

5、“.....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......”。

6、“.....智网，要广视角技术为阵营的各类技术方式及方式。技术首先的优势是广视角表现，同时在反应速度上也达到了倍速的高速驱动，开口率也获得提升。其次是直在主打的产品重要差异化特点硬屏特点。根据技术的特点，抓住用户对液晶显示器玻璃强度的担心，着力推广的技术的硬度特色，其区分方式是直接用手指压下面板有画面时画面会有水纹样变形晕开，这种属于软屏另种刚好相反，压下去不会晕开的则是硬屏。主打其硬式面板有较不易磨损与刮伤的特性，特别适合有小孩宠物的家庭使用，因为小孩与宠物容易对屏幕上的画面好奇而去碰触，硬式面板可让家长不用太担心屏幕本身会被弄坏刮伤的问题。大打差异化的技术牌，抓住消费者的购买心态硬的总比软的好，光是这点在销售时就可让产品获得相当大的优势，反正消费者指明要买硬屏时，也不用费心去问服务人员，只需要按下画面看会不会有水波纹出现即可。加上的次世代生产线产能逐渐开出后，不但有充足的产能，在价格上也有相当竞争力。在价格差不多画质表现也好又是硬屏感觉上比较不会坏的考虑因素下，产品自然会受到消费者欢迎。公司潜在的替代威胁问题分析公司直在宣传的也是专业的制造商，但是该技术也正面临替代威胁......”。

7、“.....这是第台进入量产的，同时索尼宣称将加强投入技术的开发，使其成为平面电视的技术主流之，该技术现在由于其高成本原因尚不能进入量产，但是业内人士普遍分析，该技术必将是继后的另款革命性产品。有机电激发光显示技术是由美国的柯达公司于年首先发表的平面显示器技术，其原理是在两片电极之间，置入其所开发的有机小分子发光材料，通电后利用材料的特性，将电子传输层，电洞传输层和发光材料层结合，而将电子激发的形式降回基态，将多余的能量以光波的形式释出，因而达到不同波长的发光组件的产生，而形成彩色画面。有机电激发光技术与液晶显示技术相较，完全没有视角问题，响应速度超过千倍以上，加上其属于自发光技术，不需要背光模块及彩色滤光片，亦不需要灌液晶的制程，所以其材料成本相当低，未来在价格上极具竞争优势而其目前的技术瓶颈是在良率，寿命，画质的均匀性及稳定性，所以量产的成本仍然相当高，尤其是在大尺寸的生产难度更高，表是有机电激发光电视及液晶电视的特性及价格比较，可看出有机电激发光显示器的优异特性，但碍于量产技术的限制，现有成本相当高，如表所示仅寸的价格高达美金......”。

8、“.....所以预估其需求短期之内将只限于些利基的市场上，需求量尚不易大幅增加，图是产业界对有机电激发光的需求预测，因此估计未来五到十年之内，液晶电视面板仍将是平面电视的主流技术。表有机电激发光电视与液晶电视的特性及价格比较资料来源图有机电激发光显示器需求预测资料来源综上，唯有在技术上不断加大投入和体现差异化才是保证企业具有长期竞争力的有效策略。公司电视用液晶面板市场外部经营与问题分析公司出货量全球排名第三，其中线客户占据出货量的以上。通过下页表可以看出，公司的出货相对均匀，线客户是三星索尼飞利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......”。

9、“.....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......”。