【发布时间】：2019-10-22 03:43:37
【问题描述】：
我正在尝试编写一个遗传算法，它将接收给定的图像，然后生成该图像。我已经为 28x28 黑白图像实现了这一点，但我正在努力研究如何为更大的 RGB 图像做到这一点。
我以为我会从生成种群中的个体开始，所以我随机生成了一个大小为 x*y 的列表，其中 x 和 y 是输入图像的尺寸，列表中的每个项目的格式为 ( r、g、b)。像这样
random_numbers = np.random.randint(low=0, high=256, size=(pixel_amount, 3))
generated_colours = [tuple(colour) for colour in random_numbers.tolist()]
为了评估适合度，我检查了我想要生成的图像中的每个像素，以及群体中的个体，然后我检查了有多少像素在正确的位置是正确的颜色。但是，这显然不是一个好方法，因为每种颜色有 256^3 种组合。因此，我认为根据单个 r、g 和 b 值中有多少是正确的来评估它可能是一个更好的主意。因此，28x28 像素的图像的最大适应度为 28*28*3 = 2352（在这种情况下这是好的，而低适应度通常是理想的，因此您可以将其反转）。虽然，我认为也许更好的办法是查看总体中每个个体中的个体 r、g 和 b 值与我们想要的图像中的 r、g 和 b 值之间的距离，在 a类似于神经网络的成本函数。但是，我不确定我将如何实现这一点。也许
fitness = 0
for i in range(pixel_amount):
given_image_rgb = given_image_pixels[i]
individual_rgb = individual_pixels[i]
for j in range(3):
fitness += (individual_rgb[j] - given_image_rgb[j])**2
所以如果适应度保持为零，那是因为图像完全正确。然而，如果它比我们想要的更远。虽然，我认为这会给出非常大的数字，因为只有 28x28 图像，最差的适应度是 28*28*3*255^3 = 152938800。
所以，假设我可以得到人口中最适合的个体，我将移除最差的一半个体。然后，我会培育出最适合的个体来创造下一代。我正在考虑通过从剩下的一半中随机选择两个人来做到这一点。然后，我随机选择一半像素坐标，然后从 parent1 中取出这些像素，从 parent2 中取出另一半像素来制作 child1。然后，我取反以形成 child2。这将一直持续到初始种群规模恢复为止。但是，我认为这种交叉不仅需要组合像素，还需要组合像素的 (r, g, b) 值。也许计算两者的平均值并始终向下舍入？这是当前的方法：
first_child = [None for _ in range(pixel_amount)]
second_child = [None for _ in range(pixel_amount)]
first_parent = first_parent[1]
second_parent = second_parent[1]
for i in range(pixel_amount):
if i in random_pixels:
first_child[i] = first_parent[i]
second_child[i] = second_parent[i]
else:
first_child[i] = second_parent[i]
second_child[i] = first_parent[i]
return first_child, second_child
之后，我会对个体进行变异，这将涉及随机改变每个个体中一定百分比的像素。假设每张图像的 0.25% 将设置为随机 (r, g, b) 值。
for individual in population:
mutated_pixels = random.sample(range(pixel_amount - 1), int(pixel_amount * mutation_rate))
for pixel in mutated_pixels:
individual[pixel] = tuple(np.random.randint(low=0, high=256, size=3))
就停止条件而言，我要计算像素的百分比，或 rgb 值的正确百分比，然后在达到一定的正确百分比（比如 70%）时让它停止。
很抱歉，我发了一个相当长的帖子，但我真的很感谢一些关于如何让它适用于更大的彩色图像的建议。我知道使用这种方法实际上可能是不可能的，因此我开始研究使用一组半透明的多边形来代替。
【问题讨论】：