复 杂 系 统 与 复 杂 性 科 学 ２０１３年９月以分为基于模板的方法、基于特征的方法和基于三维模型的方法３类［１－３］。其中，基于模板的方法具有较强的抗噪性，对目标的识别具有平移不变性、尺度不变性等特点，但是计算量相对较大。因此，本文把模板匹配的思想和多 Ａｇｅｎｔ进化计算［４－５］结合起来，在实现目标识别的同时，减少模板匹配的计算量，提高计算效率。同时，针对遮挡目标识别的问题，考虑到遮挡位置和遮挡区域大小的随机性，以及无法预知遮挡区域的轮廓、纹理等特征，本文提出一种采用遮挡模板的方法来解决遮挡目标识别题，利用 Ａｇｅｎｔ构造遮挡模板，在待测图像中同时搜索遮挡目标和遮挡区域。１　基于模板匹配的图像目标识别基于模板匹配的目标识别方法，其优点在于不需要掌握图像内容的知识，只要有实际的目标图像数据即可，而且能够保持目标的原始信息。基于模板的方法根据模板在匹配过程中是否发生变形可以分为刚性模板和变形模板两类。刚性模板是指模板一旦构造完成就不再发生变化，模板匹配过程中，只能将模板进行旋转、缩放等形式的变换，这些变换过程中，模板内各像素间的相对位置要保持不变且不产生任何形变。而变形模板的形状则能够根据测度函数发生变化，目的是使其与目标的形状更为接近。虽然变形模板能够适应不同形状的目标，但是构造变形模板需要大量的先验知识，因此很多目标识别问题并不适用。而且，多数变形模板的构造仅依赖于目标的轮廓信息，没有充分利用颜色、纹理等其它特征信息，也影响了识别准确性。刚性模板则几乎不需要先验知识，而且能充分地利用目标自身的各种特征，即使是在目标受到部分遮挡的情况下，仍然可以通过未遮挡区域的特征进行识别。因此，本文采用刚性模板实现目标匹配，将同一类目标的多个样本的平均图像作为模板，从而使同一类型的各个目标均能够获得较高的匹配度。具体方法是：从多个样本图像中剪切出目标的所在区域，获得多个目标图像，并通过插值获得统一的尺度，然后将所有目标图像的灰度值进行标准化。设目标图像Ｉ的灰度矩阵为Ｉ［Ｗ ］［Ｈ］（Ｗ 为图像的宽度，Ｈ 为高度），计算其均值和方差：珔μ ＝１Ｗ ·Ｈ∑Ｗ－１ｉ＝０∑Ｈ－１ｊ＝０Ｉ［ｉ］［ｊ］ （１）σ２＝１Ｗ ·Ｈ∑Ｗ－１ｉ＝０∑Ｈ－１ｊ＝０（Ｉ［ｉ］［ｊ］－珔μ）２ （２）将图像Ｉ的灰度值标准化到（μ０，σ０）：［ｉ］［ｊ］＝σ０σ（Ｉ［ｉ］［ｊ］－珔μ）＋σ０（３）最后求所有目标图像的灰度的平均值，重采样后就得到模板图像。模板匹配过程是将模板在待测图像上逐点进行平移，依次计算模板与其所覆盖的区域之间的相似度，找出匹配度最高的位置，即要寻找的目标。设模板 Ｔ 的尺寸为ＴＷ ×ＴＨ ，待测图像Ｉ的尺寸为 Ｗ ×Ｈ（通常ＴＷ ＜ Ｗ ，ＴＨ ＜ Ｈ）。待测图像Ｉ被模板 Ｔ 所覆盖的区域称为子图Ｓ（ｉ，ｊ），其中（ｉ，ｊ）为子图的中心坐标。目标识别过程就是在整幅待测图像中寻找与模板 Ｔ 最为相似的子图Ｓ（ｉ，ｊ）。但是，如果采用遍历搜索，将模板与所有子图进行比较，则搜索过程的计算量将十分巨大，因此必须设计有效的方法来降低搜索空间，提高搜索效率。２　多 Ａｇｅｎｔ进化计算２．１　多 Ａｇｅｎｔ进化计算系统的结构基于模板匹配的图像目标识别实质上是一个组合优化问题，从而能够以较少的计算量获得最优的解决方案。进化计算是解决此类问题的常用方法［６－８］，但随着图像识别难度和复杂度的提高，存在进化缓慢、易于·６５·　　　　 　　　　　　复 杂 系 统 与 复 杂 性 科 学 ２０１３年９月因此，每个 Ａｇｅｎｔ的窗口 Ｗ 包括４个参数：窗口的中心坐标（ｉ，ｊ）、窗口宽度ｌｗ和窗口的旋转角度θ。Ａｇｅｎｔ将获得的窗口子图像再进行尺度缩放后得到 与模板大小相 同的待匹 配图像，称为样本 图像，记为Ｓｉ，ｊ，θ，ｌｗ （ｘ，ｙ）。这样处理的优点是：多个 Ａｇｅｎｔ群体可以同时搜索多个区域，与模板图像进行匹配，既能避免陷入局部最优，又能加快处理的速度；通过调整 Ａｇｅｎｔ的窗口参数，可以对样本图像进行平移、旋转、缩放，保持目标识别过程的平移、旋转和缩放不变性。为了评价样本图像和模板之间的匹配度，通过计算模板图像与样本图像色差的累计和来定义评价函数：Ｆ（ｉ，ｊ，θ，ｌＷ ）＝∑ＴＨｘ＝０∑ＴＷｙ＝０｜Ｓｕｖ，ｉ，ｊ，θ，ｌＷ（ｘ，ｙ）－Ｔｕｖ（ｘ，ｙ）｜＝∑ＴＨｘ＝０∑ＴＷｙ＝０（ｕ＊Ｓ（ｘ，ｙ）－ｕ＊Ｔ（ｘ，ｙ））２＋ （ｖ＊Ｓ（ｘ，ｙ）－ｖ＊Ｔ槡（ｘ，ｙ））２（４）其中，Ｔｕｖ（ｘ，ｙ）和Ｓｕｖ，ｉ，ｊ，θ，ｌｗ（ｘ，ｙ）分别为转换到 ＣＩＥ１９７６Ｌ＊ｕ＊ｖ＊均匀颜色空间上的模板图像和样本图像，ＴＷ 、ＴＨ 分别是 模 板 图 像 的 宽 度 和 高 度。ｕ＊Ｓ（ｘ，ｙ）、ｖ＊Ｓ（ｘ，ｙ）分 别 为 样 本 图 像 的 Ｕ＊、Ｖ＊值，ｕ＊Ｔ（ｘ，ｙ）、ｖ＊Ｔ（ｘ，ｙ）分别为模板图像的Ｕ＊、Ｖ＊值。根据式（４）可以看出，Ｆ（ｉ，ｊ，θ，ｌｗ）值越小，样本图像和模板的匹配度越高。３．２　遮挡目标的识别如何识别被遮挡的目标一直是目标识别中最难解决的问题之一。由于遮挡区域的位置和大小难以预知，同时也无法预先获得遮挡区域的轮廓、纹理等辅助信息，因此传统的模板匹配和特征选择方法都不能很好地解决这一问题。本文提出一种采用遮挡模板的遮挡目标识别方法。遮挡模板是将目标的遮挡位置定义为某个圆与模板图像的相交区域，然后利用这样的遮挡模板与样本图像进行匹配。通过寻找遮挡圆心、半径等最优的参数组合来解决目标遮挡问题。使用圆定义遮挡区域的优点为：１）使用圆和模板的相交区域来定义遮挡位置，既可以用来描述边缘遮挡的情况，也可以用来描述孔形遮挡，如图２所示。此外，如果将遮挡位置定义为圆和模板的相交区域的补集，则还适用于镜框遮挡的情况。图２　使用圆遮挡住模板Ｆｉｇ．２　Ｔｅｍｐｌａｔｅ　ｃｏｖｅｒｅｄ　ｂｙ　ｃｉｒｃｕｌａｒｉｔｙ　　２）不论遮挡区域与目标区域的相交线为直线还是曲线都可以用圆形遮挡进行描述，圆半径较大时，相交线可以近似为直线，圆半径较小时相交线是弧线。由于遮挡圆的位置和大小不确定，因此在模板匹配过程中需要增加圆心的横、纵坐标（ａ，ｂ）和圆半径（ｒ）３个参数来确定遮挡模板。这样，在整个目标识别过程中共有７维参数来确定受到遮挡的窗口，包括遮挡圆的３维参数（圆心的横纵坐标和圆半径）和样本图像窗口的４维参数（窗口中心横纵坐标、窗口的宽度和旋转角）。因此，目标识别过程需要使用多 Ａｇｅｎｔ系统在样本图像集中进行搜索，获得这７维参数的最优解，从而达到目标识别的目的。４　实验结果４．１　一般目标的实验结果采用图３所示的刚性模板来识别图４中的多个目标，每个目标分别用字母 Ａ－Ｇ 进行标记。根据多 Ａｇｅｎｔ进化系统优化的结果，将最优的个体（即找到的目标）用方框标示出来。图４的７个目标中，识别出 Ａ－Ｆ共６个目标。可以看出，目标 Ａ、Ｂ与目标 Ｄ 之间的旋转角度具有很大的 差别，这说明了算法具有很好旋转不变性。由于水流和光照的影响，每个目标上具有不同的水纹，而且目·８５· 　　周亦鹏，等：基于多 Ａｇｅｎｔ进化计算的图像目标识别早熟、搜索效率不高等缺点。因此，本文提出一种基于 Ａｇｅｎｔ的进化计算方法，利用 Ａｇｅｎｔ的智能性、自主性和协作能力［９－１０］，将其与进化计算方法相结合，以提高目标识别的准确度和计算效率。基于 Ａｇｅｎｔ的进化计算将进化过程中的每个个体作为一个 Ａｇｅｎｔ，所有 Ａｇｅｎｔ构成一个群体。同时，一个群体可以进一步划分为若干个子群体。所有子群体分为优胜子群体和临时子群体两类，优胜子群体由全局竞争过程中胜出的 Ａｇｅｎｔ构成，临时子群体则包括竞争过程中的其它 Ａｇｅｎｔ，如图１所示。图１　多 Ａｇｅｎｔ进化计算系统结构Ｆｉｇ．１　Ａｒｃｈｉｔｅｃｔｕｒｅ　ｏｆ　ｍｕｌｔｉ－ａｇｅｎｔ　ｅｖｏｌｕｔｉｏｎ　ｓｙｓｔｅｎ　　不同于传统的进化计算方法，本文在 Ａｇｅｎｔ进化过程中采用“趋同”和“异化”算子。趋同的作用是在子群体内快速搜索局部最优解，然后在各个子群体中选出当前的优胜子群体。异化操作是通过重构子群体，从而在整个解空间中探索全局最优的个体。系统中的 Ａｇｅｎｔ通过公告板实现交互与通信，其中局部公告板用于子群体内 Ａｇｅｎｔ间的通信，全局公告板则用于各子群体间的通信。公告板包含 Ａｇｅｎｔ个体或子群体的序号（Ｎｏ．）、动作（Ａｃｔｉｏｎ）和得分（Ｓｃｏｒｅ）等信息。其中，Ａｇｅｎｔ的动作与具体的领域有关，在目标识别领域，动作可以是 Ａｇｅｎｔ在待测图像中所处的位置及其下一步的搜索方向；得分则是对 Ａｇｅｎｔ动作执行效果的评价。此外，系统通过特征提取 Ｆ－Ａｇｅｎｔ对个体 Ａｇｅｎｔ的动作和得分进行分析，从中提取环境信息，从而指导异化操作的进行。２．２　趋同和异化Ａｇｅｎｔ进化计算过程中包含趋同和异化两个重要的操作，其中趋同是局部搜索，异化是全局搜索。子群体中的各个 Ａｇｅｎｔ为成为子群体内的优胜者而竞争的过程叫做趋同。当一个子群体内不再产生新的优胜 Ａｇｅｎｔ时，则称该子群体已经成熟，此时趋同过程结束。在整个搜索空间内，所有子群体也在为成为全局优胜者而进行竞争。子群体通过重构来不断地探索新的空间，从而成为新的优胜子群体，这个过程叫做异化。异化包含两种情况：１）若某个临时子群体的得分高于成熟的优胜子群体的得分，则该临时子群体成为新的优胜子群体，并且释放原优胜子群体中的 Ａｇｅｎｔ；若某个成熟的临时子群体的得分低于优胜子群体，则释放该临时子群体中的 Ａｇｅｎｔ。２）被释放的 Ａｇｅｎｔ在整个搜索空间内重新进行散布并形成新的临时群体。初始情况下，所有的 Ａｇｅｎｔ进行全局搜索，然后以其中得分较高的若干个 Ａｇｅｎｔ为中心形成多个初始子群体。之后趋同和异化操作在进化过程中反复交替进行。与传统进化计算相比，基于 Ａｇｅｎｔ的进化计算将群体划分为子群体，类似于小生境环境，更易于并行实现。３　多 Ａｇｅｎｔ图像目标识别３．１　基于多 Ａｇｅｎｔ的图像目标识别过程本文采用多 Ａｇｅｎｔ进化计算与模板匹配相结合的方法识别目标，从而减少计算代价，并且通过并行计算来提高识别速度。首先，每个 Ａｇｅｎｔ采用一定大小的窗口从待测图像上剪切一个子图像，然后将子图像与模板图像进行匹配。为了适应目标尺度大小和旋转角度的变化，Ａｇｅｎｔ需要将窗口内的子图像进行缩放、旋转等处理，然后进行匹配。·７５·基于多 Ａｇｅｎｔ进化计算的图像目标识别周亦鹏１，胡　娟２，杜军平３（１．北京工商大学计算机与信息工程学院，北京 １０００４８；２．北京政法职业学院信息技术系，北京 １０００２４；３．北京邮电大学计算机学院，北京 １００８７６）摘要：对图像的多目标识别问题进行研究，提出一种基于 Ａｇｅｎｔ进化计算的目标识别方法。该方法通过 Ａｇｅｎｔ和 Ａｇｅｎｔ群体的协同进化完成对样本图像集的快速搜索和模板匹配。同时，针对目标遮挡的问题，利用遮挡圆来构造模板，实现对遮挡目标的识别。实验结果表明，提出的方法实现了平移不变、旋转不变、尺度不变、镜像不变的识别，而且能够准确地确定出遮挡区域的位置和遮挡区域的大小，同时也大大减小了模板匹配的计算量。关键词：图像处理；目标识别；Ａｇｅｎｔ；进化计算中图分类号：ＴＰ３９１．９ 文献标识码：ＡＩｍａｇｅ　Ｏｂｊｅｃｔ　Ｒｅｃｏｇｎｉｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　Ｍｕｌｔｉ－ＡｇｅｎｔＥｖｏｌｕｔｉｏｎａｒｙ　ＣｏｍｐｕｔａｔｉｏｎＺＨＯＵ　Ｙｉ－ｐｅｎｇ１，ＨＵ　Ｊｕａｎ２，ＤＵ　Ｊｕｎ－ｐｉｎｇ３（１．Ｓｃｈｏｏｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｂｅｉｊｉｎｇ　Ｔｅｃｈｎｏｌｏｇｙ　ａｎｄ　Ｂｕｓｉｎｅｓｓ　Ｕｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ　１０００４８，Ｃｈｉｎａ；２．Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ　Ｃｏｌｌｅｇｅ　ｏｆ　Ｐｏｌｉｔｉｃｓ　ａｎｄ　Ｌａｗ，Ｂｅｉｊｉｎｇ　１０００２４，Ｃｈｉｎａ　３．Ｓｃｈｏｏｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ，Ｂｅｉｊｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｐｏｓｔｓ　ａｎｄ　Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ　Ｂｅｉｊｉｎｇ，１００８７６，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｍａｇｅ　ｏｂｊｅｃｔｓ　ｒｅｃｏｇｎｉｔｉｏｎ　ｉｓ　ｓｔｕｄｉｅｄ．Ａ　ｎｅｗ　ｏｂｊｅｃｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　Ａｇｅｎｔｅｖｏｌｕｔｉｏｎａｒｙ　ｃｏｍｐｕｔａｔｉｏｎ　ｉｓ　ｐｒｏｐｏｓｅｄ．Ｉｎ　ｔｈｉｓ　ｍｅｔｈｏｄ，ｔｈｅ　ｐｒｏｃｅｓｓｅｓ　ｏｆ　ｓｅａｒｃｈｉｎｇ　ｏｂｊｅｃｔ　ｏｎ　ｓａｍ－ｐｌｅ　ｉｍａｇｅ　ｓｅｔ　ａｎｄ　ｔｅｍｐｌａｔｅ　ｍａｔｃｈｉｎｇ　ａｒｅ　ａｌｌ　ａｃｈｉｅｖｅｄ　ｂｙ　ｃｏｏｐｅｒａｔｉｏｎ　ｏｆ　Ａｇｅｎｔ　ｇｒｏｕｐｓ．Ｍｏｒｅｏｖｅｒ，ｔｏ　ｓｏｌｖｅ　ｔｈｅ　ｐｒｏｂｌｅｍ　ｏｆ　ｏｃｃｌｕｄｅｄ　ｏｂｊｅｃｔ　ｒｅｃｏｇｎｉｔｉｏｎ，ａ　ｎｅｗ　ｍｅｔｈｏｄ　ｕｓｉｎｇ　ｏｃｃｌｕｄｉｎｇ　ｃｉｒｃｌｅ　ｔｏ　ｃｏｎ－ｓｔｒｕｃｔ　ｔｅｍｐｌａｔｅ　ｉｓ　ｐｒｏｐｏｓｅｄ　ｔｏｏ．Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｍｅｔｈｏｄ　ｈａｓ　ｔｈｅｆｅａｔｕｒｅｓ　ｏｆ　ｔｒａｎｓｌａｔｉｏｎ　ｉｎｖａｒｉａｎｃｅ，ｒｏｔａｔｉｏｎ　ｉｎｖａｒｉａｎｃｅ，ｓｃａｌｅ　ｉｎｖａｒｉａｎｃｅ　ａｎｄ　ｍｉｒｒｏｒ　ｉｎｖａｒｉａｎｃｅ，ａｔｔｈｅ　ｓａｍｅ　ｔｉｍｅ，ｔｈｅ　ｏｃｃｌｕｄｅｄ　ａｒｅａ　ｃａｎ　ｂｅ　ｌｏｃａｔｅｄ．Ｆｕｒｔｈｅｒｍｏｒｅ，ｔｈｅ　ｃｏｍｐｕｔａｔｉｏｎ　ａｍｏｕｎｔ　ｏｆ　ｔｅｍ－ｐｌａｔｅ　ｍａｔｃｈｉｎｇ　ｉｓ　ｇｒｅａｔｌｙ　ｒｅｄｕｃｅｄ．Ｋｅｙ　ｗｏｒｄｓ：ｉｍａｇｅ　ｐｒｏｃｅｓｓｉｎｇ；ｏｂｊｅｃｔ　ｒｅｃｏｇｎｉｔｉｏｎ；Ａｇｅｎｔ；ｅｖｏｌｕｔｉｏｎａｒｙ　ｃｏｍｐｕｔａｔｉｏｎ收稿日期：２０１２－１２－０４基金项目：国家重点基础研究发展计划（９７３计划）（２０１２ＣＢ８２１２０６）；国家自然科学基金（９１０２４００１，６１０７０１４２）；北京市自然科学基金（４１１１００２）作者简介：周亦鹏（１９７６－），男，山西太原人，博士，讲师，主要研究方向为智能系统。０　引言计算机视觉研究中的一个热点问题是图像的目标识别，它的主要任务是通过自动化的方法，在不需要或尽可能少的人工干预情况下，由计算机系统自动识别出图像中出现的特定目标。图像目标识别算法大致可 　　周亦鹏，等：基于多 Ａｇｅｎｔ进化计算的图像目标识别图３　模板图像Ｆｉｇ．３　Ｔｅｍｐｌａｔｅ　Ｉｍａｇｅ标 Ｂ与其它几个目标还具有较大的颜色差异，这些目标均能被正确识别，说明算法具有彩色恒定性。但是，由于目标 Ｇ 的一部分被目标 Ｅ 所遮挡，因此没有识别出来。图４中，若采用遍历法进行识别，则搜索计算量达３３　７５１万次，而本文方法识别出６个目标共进化７９代，评价个体１．５９万次，可见使用多 Ａｇｅｎｔ进化计算方法极大减小了计算量。４．２　遮挡目标的实验结果针对前一实验中目标 Ｇ 因遮挡而未能识别的问题，采用３．２节提出的遮挡目标识别方法进行实验，待测图像的识别结果如图５所示，同时得到的遮挡位置如图６所示。图４　待测图像和识别结果Ｆｉｇ．４　Ｔｅｓｔ　ｉｍａｇｅ　ａｎｄ　ｒｅｃｏｇｎｉｔｉｏｎ　ｒｅｓｕｌｔ图５　遮挡目标的实验结果Ｆｉｇ．５　Ｒｅｃｏｇｎｉｔｉｏｎ　ｒｅｓｕｌｔ　ｏｆ　ｃｏｖｅｒｅｄ　ｏｂｊｅｃｔ图６　目标 Ｅ和 Ｇ 的差图像及遮挡圆位置Ｆｉｇ．６　Ｄｉｆｆｅｖｅｎｃｅ　ｉｍａｇｅｓ　ｏｆ　ｏｂｊｅｃｔ　Ｅ　ａｎｄ　Ｇａｎｄ　ｔｈｅｉｒ　ｃｏｖｅｒｅｄ　ｃｉｒｃｕｌａｒｉｔｙ　　从实验中看出，样本图像中的目标 Ｅ在窗口剪切的过程中并没有完整保留，而目标 Ｇ 也有相当一部分被 Ｅ所遮挡。从图５的识别结果可以看出，使用本文提出的遮挡目标识别方案，两个目标均能准确地找到，并识别出目标的遮挡位置。５　结论本文提出一种改进的图像目标识别算法，将基于模板匹配的目标识别方法和性能优异的 Ａｇｅｎｔ进化计算结合起来。同时，采用遮挡圆来构造遮挡模板，解决了遮挡目标的识别问题。实验结果表明，本文算法不但能够在目标识别过程中保持平移不变性、旋转不变性和尺度不变性，而且能够有效识别被遮挡的目标并定位遮挡区域。同时，模板匹配的计算量也大大地减少。参考文献：［１］ 田娟，郑郁正．模板匹配技术在图像识别中的应用［Ｊ］．传感器与微系统，２００８，２７（１）：１１２－１１４，１１７．Ｔｉａｎ　Ｊｕａｎ，ＺｈｅｎｇＹｕｚｈｅｎｇ．Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｔｅｍｐｌａｔｅ　ｍａｔｃｈｉｎｇ　ｔｅｃｈｎｉｑｕｅ　ｉｎ　ｉｍａｇｅ　ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．Ｔｒａｎｓｄｕｃｅｒ　ａｎｄ　Ｍｉｃ－ｒｏｓｙｓｔｅｍ　Ｔｅｃｈｎｏｌｏｇｉｅｓ，２００８，２７（１）：１１２－１１４，１１７．［２］ Ｒｏｙ　Ｋａｕｓｈｉｋ，Ｂｈａｔｔａｃｈａｒｙａ　Ｐｒａｂｉｒ．Ｉｒｉｓ　ｒｅｃｏｇｎｉｔｉｏｎ　ｕｓｉｎｇ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍｓ　ａｎｄ　ａｓｙｍｍｅｔｒｉｃａｌＳＶＭｓ［Ｊ］．Ｍａｃｈｉｎｅ　Ｇｒａｐｈ－ｉｃｓ　ａｎｄ　Ｖｉｓｉｏｎ，２０１０，１９（１）：３３－６２．［３］ Ｚｈａｎｇ　Ｃｈａｎｇｊｉａｎｇ，Ｌｕ　Ｊｕａｎ．Ｓａｔｅｌｌｉｔｅ　ｃｌｏｕｄ　ｉｍａｇｅ　ｅｎｈａｎｃｅｍｅｎｔ　ｂｙ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ　ｗｉｔｈ　ｆｕｚｚｙ　ｔｅｃｈｎｉｑｕｅ［Ｃ］／／２００９Ｉｎ－·９５·　　　　 　　　　　　复 杂 系 统 与 复 杂 性 科 学 ２０１３年９月ｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｎｅｗ　Ｔｒｅｎｄｓ　ｉｎ　Ｉｎｆｏｒｍａｔｉｏｎ　ａｎｄ　Ｓｅｒｖｉｃｅ　Ｓｃｉｅｎｃｅ，ＮＩＳＳ２００９．Ｂｅｉｊｉｎｇ，２００９：１０９０－１０９５．［４］ 姜楠，张春森．遗传算法在图像模板匹配中的应用［Ｊ］．红外与激光工程，２００８，３７（４）：３２４－３２７．Ｊｉａｎｇ　Ｎａｎ，Ｚｈａｎｇ　Ｃｈｕｎｓｅｎ．Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ　ｉｎ　ｉｍａｇｅ　ｍａｔｃｈｉｎｇ［Ｊ］．Ｉｎｆｒａｒｅｄ　ａｎｄ　Ｌａｓｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ，２００８，３７（４）：３２４－３２７．［５］ 刘其成，郑纬民．多 Ａｇｅｎｔ并行遗传算法在地震勘探属性优化中的应用［Ｊ］．计算机科学，２０１０，３７（４）：２３４－２３７．Ｌｉｕ　Ｑｉｃｈｅｎｇ，Ｚｈｅｎｇ　Ｗｅｉｍｉｎ．Ｓｅｉｓｍｉｃ　ｅｘｐｌｏｒａｔｉｏｎ　ａｔｔｒｉｂｕｔｅ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｍｕｌｔｉ－ａｇｅｎｔ　ｐａｒａｌｌｅｌ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ［Ｊ］．Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ，２０１０，３７（４）：２３４－２３７．［６］ 梁军，程显毅．基于混合蚁群遗传算法的 Ａｇｅｎｔ联盟求解［Ｊ］．计算机科学，２００９，３６ （４）：２２７－２３１．Ｌｉａｎｇ　Ｊｕｎ，Ｃｈｅｎｇ　Ｘｉａｎｙｉ．Ｓｏｌｖｉｎｇ　ｍｅｔｈｏｄ　ｏｆ　ａｇｅｎｔ　ｃｏａｌｉｔｉｏｎ　ｐｒｏｂｌｅｍ　ｂａｓｅｄ　ｏｎ　ｈｙｂｒｉｄ　ａｎｔ　ｃｏｌｏｎｙ　ａｎｄ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ［Ｊ］．Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ，２００９，３６ （４）：２２７－２３１．［７］ Ｕｇｕｒ　Ａ，Ｋｏｒｕｋｏｇｌｕ　Ｓ，Ｃａｌｉｓｋａｎ　Ａ，ｅｔ　ａｌ．Ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｓｏｌｕｔｉｏｎ　ｆｏｒ　ＴＳＰ　ｏｎ　ａ　ｓｐｈｅｒｅ［Ｊ］．Ｍａｔｈｅｍａｔｉｃａｌ　ａｎｄＣｏｍｐｕｔａｔｉｏｎａｌ　Ａｐｐｌｉｃａｔｉｏｎｓ，２００９，１４（３）：２１９－２２８．［８］ 马永杰，马义德，蒋兆远，等．一种快速遗传算法及其收敛性［Ｊ］．系统工程与电子技术，２００９，３１（３）：７１４－７１８．Ｍａ　Ｙｏｎｇｊｉｅ，Ｍａ　Ｙｉｄｅ，Ｊｉａｎｇ　Ｚｈａｏｙｕａｎ，ｅｔ　ａｌ．Ｆａｓｔ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ　ａｎｄ　ｉｔｓ　ｃｏｎｖｅｒｇｅｎｃｅ［Ｊ］．Ｓｙｓｔｅｍｓ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄＥｌｅｃｔｒｏｎｉｃｓ，２００９，３１（３）：７１４－７１８．［９］ 彭军，刘亚，吴敏，等．基于状态预测的多智能体动态协作算法［Ｊ］．系统仿真学报，２００８，２０（２０）：５５１１－５５１５．Ｐｅｎｇ　Ｊｕｎ，Ｌｉｕ　Ｙａ，Ｗｕ　Ｍｉｎ，ｅｔ　ａｌ．Ｄｙｎａｍｉｃ　ｃｏｏｐｅｒａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｉｎ　ｍｕｌｔｉ－ａｇｅｎｔ　ｓｙｓｔｅｍ　ｂａｓｅｄ　ｏｎ　ｓｔａｔｅ　ｐｒｅｄｉｃｔｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｓｙｓｔｅｍ　Ｓｉｍｕｌａｔｉｏｎ，２００８，２０（２０）：５５１１－５５１５．［１０］张秋花，薛惠锋，吴介军，等．多智能体系统 ＭＡＳ及其应用［Ｊ］．计算机仿真，２００７，２４（６）：１３３－１３７．Ｚｈａｎｇ　Ｑｉｕｈｕａ，Ｘｕｅ　Ｈｕｉｆｅｎｇ，Ｗｕ　Ｊｉｅｊｕｎ，ｅｔ　ａｌ．Ｔｈｅｏｒｙ　ａｎｄ　ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ｔｈｅ　ｍｕｌｔｉ－ａｇｅｎｔ　ｓｙｓｔｅｍ［Ｊ］．Ｃｏｍｐｕｔｅｒ　Ｓｉｍｕｌａ－ｔｉｏｎ，２００７，２４（６）：１３３－１３７．（责任编辑　耿金花）·０６·