CC BY
58Для этого в нем изменяют схемы селекции и назначения пригодности промежуточным решениям, но базовые принципы работы алгоритма и его общая схема остаются без изменений. Существует несколько известных генетических алгоритмов многокритериальной оптимизации [1]: VEGA, NPGA, SPEA и др.
При рассмотрении задачи применения дифференцированного генетического алгоритма (ДГА) к решению задач многокритериальной оптимизации необходимо учитывать его специфику обработки и накопления информации о пространстве оптимизируемой функции [2]. Выделение в нем консервативной подсистемы для накопления и распространения апробированных решений и оперативной для поиска и апробации вновь формируемых, которые по достижению определенного количества поколений (параметр tf) и при выполнении ряда других условий переходят в консервативную, требует сохранения данного механизма при расширении на новый класс задач. Следовательно, из рассмотренных алгоритмов многокритериальной оптимизации наименьшее влияние на него будет оказывать метод NPGA, использующий комбинацию турнирной селекции и концепции доминирования по Парето. При его применении к ДГА необходимо внести изменения в процедуру обновления решений в оперативной подсистеме, т. е. вместо сравнения значений целевых функций родителя и потомка требуется провести их оценку по данному методу. Она будет происходить по следующему алгоритму.
1. Выбрать сравнительное множество Pdom с SK ,
состоящее из tdom случайно выбранных индивидов популяции (обычно 10 % от общего количества индивидов [1]).
2. Если вновь полученное решение недоминируемо относительно Pdom, а предок из SO доминируется индивидами сравнительного множества, то потомок замещает SO-родителя, а его параметр tufe обнуляется.
3. Иначе, если SO-родитель недоминируем относительно Pdom, а потомок - доминируем, то потомок отбрасывается, а 4fe родителя увеличивается на 1.
4. Если сделать выбор не получилось, то он разрешается делением общей пригодности:
- вычислить количество индивидов в SO, которые находятся от индивида-потомка на расстоянии, не
превышающем радиус ниши Gshare:
n(c) = |{l : l e SO л d(с, l) < oshare }|. Проделать то же
для индивида SO-родителя;
- если n(c) < n(p), то потомок замещает SO-роди-теля, а его tf обнуляется, иначе отбрасывается потомок, а tlife родителя увеличивается на 1.
При исследовании эффективности данного подхода к формированию Парето-оптимального множества решений при решении многокритериальных задач оптимизации на множестве тестовых функций были получены следующие результаты: доля истинно Па-ретовских решений в итоговом множестве найденных ДГА относительно методов VEGA и NPGA для классического генетического алгоритма была больше в 1,1-1,5 раза для различных задач. Эффективность ДГА находится на том же уровне, что и эффективность метода SPEA, но при этом требует значительно меньших вычислительных и временных затрат при одинаковом количестве вычислений целевой функции.
Значение параметра oshare влияет на эффективность поиска множества Парето, что обусловливает необходимость проведения дополнительных исследований в данном направлении.
Библиографические ссылки
1. Казаков П. В. Генетические алгоритмы многокритериальной оптимизации. Обзор // Информационные технологии. 2011. № 10. С. 2-8.
2. Жуков В. Г., Паротькин Н. Ю. Дифференцированный адаптивный генетический алгоритм // Вестник Новосибирского государственного университета. Сер. «Информационные технологии». Новосибирск, 2011. Т. 9. Вып. 1. С. 5-11.
References
1. Kazakov P. V. Informatsionnye tekhnologii. 2011, no. 10 (182), pp. 2-8.
2. Zhukov V. G., Parot'kin N. Yu. Vestnik Novosibirskogo gosudarstvennogo universiteta. 2011, vol. 9 no 1, pp. 5-11.
© Паротькин Н. Ю., 2013
УДК 519.85
ОПТИМИЗАЦИЯ ПАРАМЕТРОВ ДЕТЕКТОРА ГРАНИЦ КЭННИ С ПОМОЩЬЮ ГЕНЕТИЧЕСКОГО АЛГОРИТМА БЕЗУСЛОВНОЙ ОПТИМИЗАЦИИ
А. С. Полякова, Г. А. Зернов
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Россия, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected]
Для предварительного анализа качества солнечной панели для различных космических аппаратов используется метод обнаружения краев - детектор Кэнни. Решается задача оптимизации параметров детектора границ Кэнни. Для оптимизации данного метода использовался безусловный генетический алгоритм. С помо-
Решетневскуе чтения. 2013
щью полученных результатов можно говорить об эффективности использования генетических алгоритмов для оптимизации параметров детектора границ Кэнни.
Ключевые слова: детектор границ Кэнни, края изображения.
OPTIMIZATION PARAMETERS CANNY EDGE DETECTION BY GENETIC ALGORITHMS UNCONSTRAINED OPTIMIZATION
A. S. Polyakova, G. A. Zernov
Siberian State Aerospace University named after academician M. F. Reshetnev 31, "Krasnoyarsky Rabochy" Av., Krasnoyarsk, 660014, Russia. E-mail: [email protected]
For a preliminary analysis of the quality of solar panels for a variety of spacecraft used method for detecting edges -Canny detector. Solve the problem of optimizing the parameters of Canny edge detection. To optimize the method used unconditional genetic algorithm. Using these results we can say about the effectiveness of the use of genetic algorithms to optimize the Canny edge detection.
Keywords: Canny edge detection, the edge of the image.
Преобразование солнечной энергии в электричество является наиболее перспективным и активно развиваемым направлением возобновляемой энергетики. Солнечная энергия широко доступна, обладает практически безграничными ресурсами, при ее фотоэлектрическом преобразовании не происходит загрязнение окружающей среды [3].
На сегодняшний день солнечные батареи считаются одним из самых надежных и достаточно хорошо отработанных вариантов обеспечения космического аппарата энергией. Солнечные батареи располагаются или на внешней поверхности аппарата или на раскрывающихся жестких панелях.
Работа в космосе предъявляет к солнечной энергии очень жесткие и подчас противоречивые требования. Сокращение сроков разработки и улучшение эксплуатационных характеристик систем электроснабжения космических аппаратов выдвигает на первый план необходимость создания эффективных методов проектирования подобных систем, в частности, предсказания и анализа работы солнечных батарей под действием разнообразных факторов окружающего пространства в статическом и динамическом режимах нагрузки. Также является необходимым проводить предварительную диагностику и тестирование на наличие внутренних дефектов солнечной панели, а также внешних [3].
Для того, чтобы произвести анализ солнечных панелей, необходимо производить предварительную обработку их изображений. Под обработкой подразумевается идентификация дефектов солнечной панели, что включает в себя обнаружение их границ [1].
Края характеризуют границы объектов на изображении и поэтому являются основополагающей проблемой обработки изображений. Края - это такие кривые на изображении, вдоль которых происходит резкое изменение яркости или других видов неодно-родностей. Обнаружение краев в изображении значительно сокращает объем данных и отфильтровывает ненужную информацию, сохраняя важные структурные свойства изображения. Одним из популярных
методов выделения границ является детектор границ Кэнни [1].
Алгоритм Кэнни следует определенным критериям:
1. Низкий уровень ошибок (повышение отношения сигнал/шум).
2. Хорошая локализация краевых точек (расстояние между обнаруженными краевыми точками и фактическими точками границы должно быть минимальным).
3. Единственный отклик на одну границу.
Основываясь на данных критериях, при реализации детектора границ Кэнни выполняются следующие шаги: убирается шум и лишние детали из изображения; рассчитывается градиент изображения; осуществляется уточнение краев изображения (edge thinning); производится связывание краев в контуры (edge linking).
После нахождения градиента изображения подсвечиваются области с высокими пространственными производными. Далее алгоритм проходит по этим областям и производит подавление немаксимумов, которое означает, что пикселями границ объявляются пиксели, в которых достигается локальный максимум градиента в направлении вектора градиента [1].
Слабые границы удаляются путем использования двух порогов. Гистерезис использует два близких между собой пороговых значения. Если значение модуля вектора градиента в определяемой точке пространства ниже первого порогового значения, то оно устанавливается в ноль (точка считается не краевой). При значении модуля вектора большем модуля значения второго (высокого) порога, точка считается краевой. В случае, когда значение модуля вектора градиента находится между значениями этих двух порогов, то оно устанавливается в ноль в том случае, если нет пути от этого пикселя к пикселю со значением модуля вектора градиента больше значения второго порога. Использование такого гистерезиса позволяет уменьшить число разрывов в выходных границах. Следовательно, с помощью двух порогов удаляются слабые границы.
Настройка детектора Кэнни производится с помощью трех параметров: верхний порог, нижний порог и размер фильтра Гаусса. В реальных задачах подбор данных параметров представляет нетривиальную задачу. Это связано не только с длительным временем выполнения алгоритма, но и с необходимостью находить эти параметры отдельно для каждого изображения. Однако при наличии нескольких эталонных изображений, для которых границы объектов известны, появляется возможность оптимизации параметров [2]. В данной работе для оптимизации применялся генетический алгоритм.
В качестве целевой функции была использована метрика Я:
где пъ - количество «битов» (неверно найденных граничных точек) в окрестности «бита»; Щ - количество «дырок» (ненайденных граничных точек) в окрестности «дырки»; п!ь - количество «битов», касающихся «дырки»; п'н - количество «дырок», касающихся «бита»; пв - количество истинных пикселей в окрестности. Значения коэффициентов а- = с = 1г
были выбраны в
соответствии с рекомендациями авторов метрики.
Эта метрика позволяет оценить качество полученных границ в сравнении с эталонным изображением. Метрика является одной из наиболее точных и основана на эмпирических представлениях о качестве нахождения границы [2].
Для оптимизации применялся стандартный генетический алгоритм безусловной оптимизации. Алго-
ритм запускался на нескольких различных изображениях, а полученные результаты усреднялись. Таким образом, было достигнуто увеличение качества нахождения границ не только на эталонных изображениях, но и на схожих изображениях, не использовавшихся для оптимизации параметров.
По результатам работы можно сделать вывод об эффективности использования генетических алгоритмов для оптимизации параметров детектора границ Кэнни. В дальнейшем планируется улучшение качества оптимизации, а также разработка метода, не требующего эталонных изображений.
Библиографические ссылки
1. Canny J. A Computational Approach to Edge Detection [Электронный ресурс]. URL: http://perso.limsi.fr/vezien/PAPIERS_ACS/canny1986.pdf (дата обращения: 17.09.2013).
2. A measure of quality for evaluating methods of segmentation and edge detection [Электронный ресурс]. URL: http://www.ugr.es/~jmaroza/inves/98ICS.pdf (дата обращения: 17.09.2013).
3. URL: http://ru.wikipedia.org/ (дата обращения: 17.09.2013).
References
1. Canny John. A Computational Approach to Edge Detection: Available at: http://perso.limsi.fr/vezien/ PAPIERS_ACS/canny1986.pdf.
2. A measure of quality for evaluating methods of segmentation and edge detection. Available at: http://www.ugr.es/ ~ jmaroza/inves/98ICS.pdf
3. http://ru.wikipedia.org/.
© Полякова А. С., Зернов Г. А., 2013
УДК 681.3
МОДЕЛИРОВАНИЕ ХАРАКТЕРИСТИК ТЕХНИЧЕСКИХ ОБЪЕКТОВ С ПОМОЩЬЮ КОЛЛЕКТИВОВ НЕЙРОННЫХ СЕТЕЙ
А. В. Ребенков
Химзавод - филиал ОАО «Красноярский машиностроительный завод» Россия, 662991, ЗАТО Железногорск, пос. Подгорный, ул. Заводская, д. 1 E-mail: [email protected]
Коллективы нейронных сетей являются одним из эффективных средств решения задач моделирования и прогнозирования временных рядов. Этот подход основан на совместном использовании набора искусственных нейронных сетей для решения одной задачи. Использование коллективов нейронных сетей в общем случае предполагает выполнение двух достаточно трудоемких шагов: проектирование и обучение отдельных нейронных сетей и формирование общего решения на основе решений отдельных сетей. Рассматривается эволюционный подход, позволяющий автоматизированно выполнять проектирование коллективов нейронных сетей. Приводятся результаты применения коллективного нейросетевого подхода для решения задачи моделирования технических объектов.
Ключевые слова: моделирование, прогнозирование, нейронные сети, коллективы нейронных сетей.
