第二章、 背景知識與相關文獻
2.2 基因演算法
基因演算法為演化式演算法(evolutionary algorithm)中最著名也是使用最多的 方法。1975年，由John Holland在其著作“Adaptation in Natural and Artificial Systems＂中奠定了基因演算法的基礎[16]，根據達爾文進化論「適者生存，不適 者淘汰」的道理，藉由生物交配、突變、選擇的方式尋得適當的問題最佳解，為 一種有效的最佳化收尋方法。近年來被廣泛的應用於收尋各類問題的最佳解，並 結合其他方法，如類神經網路、模糊理論、增強式學習等，應用在影像處理、醫 學、機器人學、建築學等領域。
2.2.1 基本運作原理
基因演算法採用三種基本的運作機制以模仿自然遺傳的過程，包括複製 (reproduction)、交配(crossover)、突變(mutation)，在合理的時間範圍內求得近似最 佳解，其基本步驟如下所式：
編碼(encoding)：將問題的解答以一長串數字或是字元所組成的序列。
初始化(initialization)：隨機產生一定數量的個體，有時候操作者也可以干 預隨機產生的過程，讓第一代的族群就擁有著部份優化的個體。
評估(assess)：經由適應性函式(fitness function)的或代價函數(cost function) 評估，來分辨個體的好壞。 選擇(selection) ：選擇是依據每一物種的適應程度來決定下一代中應被淘 汰或複製且保留的個數多寡的一種運算過程。選擇過程有兩種形式：
(a) 輪盤式選擇(roulette wheel selection)：在每一代的演化過程中，首先依 每個染色體的適應函數值的大小來分割輪盤的位置，適應函數值越大的 話，則在輪盤上佔有的面積比例也越大，每個物種在輪盤上佔有的面積 比例越大代表被挑選到交配池中的機率越大，然後隨機選取輪盤的一
點，其所對應的物種即被選入到交配池中。
(b) 競爭式選擇(tournament selection)：在每一代的演化過程中首先隨機地 選取兩個或更多的染色體，具有最大適應函數值的染色體即被選中送至 交配池中。
交配(crossover)：交配運算式，依據交配率從染色體中隨機地任意兩個字 元串，經彼此交換字元串的某些位元資訊而產生兩個新位元字串的一種過 程，一般而言交配運算可以用三種方式進行交配：(a)單點交配(b)雙點交配(c) 均勻交配。
突變(mutation)：突變的過程是隨機的選取一物種的字串，並隨機選取突 變點，並改變物種字串裡的位元資訊突變過程發生機率由突變機率所控制。突變過程可以針對單一位元或對整個字串進行突變演算，對於二進制的位元 字串就是將字串的0變1，1變成0。
淘汰(natural selection)：透過適應性函式評估新的個體，弱勢的個體將會 被淘汰掉。保留下較好的個體行程新的一個世代。 終止條件(termination)：終止的條件主要有三種：第一種，適應值達到特 定標準。第二種，演化到一定代數。第三種，族群演化達到收斂的穩定狀態。
基因演算法的處理流程圖如圖- 4所示。最初，隨機初始化產生規模為N的群體 稱為第0代，然後去評估每一個個體(染色體)得到適應值(fitness value)。接著根據既 定的挑選機制來複製個體進行遺傳演化。最典型的做法是根據個體的適應值，每 一次挑選兩個個體當做雙親，適應值較高者被挑選的機率大於適應值較低者，因 此高適應值的個體有較高的機會繁衍後代。雙親根據交配機率決定是否要進行交 配產生子代，產生後的子代再根據突變機率決定是否要做進一步的突變。交配是 主要的遺傳運算，而突變只是次要的動作。產生後的子代或原來的雙親 (沒有進行 交配或突變者)共同組成下一世代，如此繼續進行直到滿足終止條件為止。
染色體編碼
初始化
評估適應度
輸出最佳解 滿足終 止條件
選擇 交配 突變 產生新一代
YES NO
圖- 4 基因演算法流程圖
2.2.2 基因演算法相關文獻
近年來有許多學者提出結合基因演算法與模糊控制(Fuzzy Control)來優化機器 人控制的方法，[13]將基因演算法應用在修改輸入、輸出的模糊控制歸屬函數，他 們使用Matlab 應用程式 Kiks II 來模擬 Khepera II 機器人，最後再將結果應用在實 體Khepera II 機器人身上，並發現這個方法的效果優於 FLC。
同樣是要計算出合適的模糊控制歸屬函數，[48]將基因演算法用在最佳化模糊 歸屬函數的寬度與中心值。[46]在染色體的表示上採用 0 與 1 的二位元表示法，成 功地組合出不同的歸屬函數，以利基因演算法做計算。[37]將基因演算法的染色體 切為三大區塊，分別控制機體是否採用此項規則、控制模糊歸屬函數的輸出入參 數、控制過程和結果的模糊參數，再用多點交配加速基因演算法演化。除了改變 歸屬函數的方法外，[21]更使用基因演算法去尋找計算適用於每個模糊規則的最佳 權重參數，並比較直接式基因演算法與增量式基因演算法的效能。
目前對於機器人在物件追跡與避障上有相當多的成果。其中，[35]藉由模糊理 論來完成車體跟蹤與避開障礙，使導航車跟蹤領航車，在距離與角度皆為模糊的
資訊下，完成跟蹤任務。[4]使用了李亞普諾夫系統(Lyapunov function)在動態障礙 的環境下完成目標追蹤與避障。[15]使用了類神經網路完成機動型機器人走訪房間 的任務。在感測器上，[11][24]以影像處理來當作機器人追蹤物件與導航的感測。
[10]利用單眼視覺對於視線內的特定圖形範圍進行距離與角度的判斷，並利用模糊 理論進行路徑規劃對於輪型機器人進行控制。另外也有以雙眼視覺計算出目標物 的角度來做模糊控制的相關研究[3]。
在 影 像 處 理 方 面 ，[18]使用單眼視覺一維投影法(1-dimensional projection algorithm)提取出球體的影像位置。球體定位後，需要鎖定目標的物件。[1]提出預 估模板匹配(expectation-based template matching)的方式，達到機器人追蹤並鎖定目 標的目的，實現導航與圖像物件追蹤的整合。最後在實際運用上，[30]更利用影像 擷取步行影像特色，來實現跟隨人類的輪椅機器人。