遺傳規劃在圖像分類中的應用——進化計算、機器學習與計算機視覺融合體系構建

人工智能(artificial intelligence，AI) 是一門致力于解決商業、醫療健康、安防、游戲等眾多現實領域復雜任務的交叉學科。其核心目標是構建能夠模擬人類思維的智能體，使其具備學習、推理、規劃與感知等類人能力以解決實際問題。

在人工智能的龐大體系下，機器學習(machine learning，ML) 作為核心子領域，擁有豐富的學習算法與應用場景。機器學習通過從經驗或數據中學習并優化性能指標來完成任務，其中分類任務是機器學習中的典型代表問題，即將實例/樣本劃分至預定義類別組。當分類任務作用于圖像時(即圖像分類)，該任務即屬于計算機視覺范疇。計算機視覺旨在通過機器模擬人類視覺系統，從圖像(視頻) 中分析、提取并理解有效信息。其涵蓋物體檢測、目標識別、圖像分割等諸多圖像相關任務，這些均可借助人工智能技術實現。

進化計算算法的類別

進化計算(evolutionary computation，EC) 作為人工智能的重要分支，包含一系列受自然啟發的算法與技術，包括進化算法、群體智能算法等。經典算法包括遺傳算法(genetic algorithm，GA)、遺傳規劃/編程(genetic programming，GP)、進化策略(evolution strategy，ES)、進化規劃/編程(evolution programming，EP)、粒子群優化(particle swarm optimisation，PSO)、差分進化(differential evolution，DE)、蟻群優化(ant colony optimisation，ACO)、模因算法(memetic algorithm，MA)，以及多目標進化算法(multi-objective evolutionary algorithm，MOEA) 等。眾多進化計算算法已成功應用于計算機視覺任務，由此形成名為進化計算機視覺(evolutionary computer vision，ECV) 或進化計算機視覺與圖像處理的新興交叉領域。

用于圖像分類的現有遺傳規劃算法分類

遺傳規劃作為經典進化計算算法，已廣泛應用于特征構建、特征選擇、回歸分析、圖像分類、圖像分割及目標檢測等機器學習與計算機視覺任務中。《面向圖像分類的遺傳規劃算法》一書聚焦遺傳規劃在圖像分類中的應用，涉及機器學習、計算機視覺與進化計算三大方向的交叉研究，是進化計算機視覺的重要分支。本書系統闡述多種新型遺傳規劃方法，包括面向圖像分類的特征提取、特征選擇與特征構建技術。本書構建連接進化計算、機器學習與計算機視覺的完整技術體系，涵蓋集成學習、特征學習及圖像分類等核心任務。

與本書相關的概念

全書共10 章，分為緒論、基本理論、創新方法、結論與展望4 個部分。第1章為全書緒論；第2、3 章闡述計算機視覺、機器學習、進化計算及遺傳規劃的基礎理論；第4～9 章詳述基于遺傳規劃的特征學習方法及其在圖像分類中的應用；第10 章總結全書并指明未來研究方向。

點擊翻頁 點擊翻頁 點擊翻頁 點擊翻頁 點擊翻頁 點擊翻頁

面向圖像分類的遺傳規劃算法購買

畢瑩, 薛冰, 張孟杰著

北京: 科學出版社, 2026. 5

(智能優化理論與應用叢書)

ISBN 978-7-03-084906-9

重點章節的內容介紹如下。

第4章提出一種多層遺傳規劃的方法

該方法能夠自動從較大的輸入圖像中檢測小區域，選擇合適的圖像濾波器對檢測到的區域進行處理，并提取、選擇以及構建用于二分類圖像分類的高級特征。該章展示了如何利用單個遺傳規劃程序，通過多層個體結構或表示來執行二分類圖像分類中的多個子任務，這在圖像分類領域首次實現了遺傳規劃的直接應用。

第5章提出一種進化深度學習方法

該方法借助具有卷積算子的遺傳規劃進行特征學習，以完成圖像分類任務。該章將卷積算子和池化算子融入遺傳規劃的函數集，并自動搜索這些算子的優良結構及其對應的參數值，以優化特征學習過程。該章還展示如何將常用的卷積算子有效地集成到遺傳規劃框架中，從而顯著提升圖像分類的性能。

第6章提出一種結合圖像描述符的遺傳規劃方法

用于學習適用于圖像分類的全局/局部特征。該方法能夠從較大的輸入圖像中檢測出小區域，并利用圖像描述符從這些檢測到的區域或整個輸入圖像中提取特征，進而將提取的特征整合成一個龐大的特征集。該章展示如何在遺傳規劃中有效地整合圖像描述符，以學習出高效的全局/局部特征，從而提升各類圖像分類任務的性能。

第7章提出一種靈活遺傳規劃的方法

該方法具備靈活的程序結構和圖像相關算子，專門用于圖像分類中的不同類型的特征學習。它能夠靈活地學習經過濾波層、池化層、特征提取層和特征連接層等多層轉換后的有效特征。該章展示如何將多種圖像相關算子整合到遺傳規劃中，以學習出高效特征，從而提升圖像分類的性能。

第8章提出一種特征和分類器集成聯合學習的遺傳規劃方法

能夠同時且自動地進行特征學習和集成優化。該方法通過多重變換學習高級特征，選擇高效的分類算法，并優化這些算法的參數，從而構建出有效的集成模型。該章展示如何在遺傳規劃框架中同步實現特征學習與集成學習，以顯著提升圖像分類的泛化能力。

第9章提出一種隨機森林輔助的遺傳規劃方法

旨在提升遺傳規劃在圖像分類特征學習中的計算效率。該方法可以從遺傳規劃樹中提取特征，并構建近似適應度的代理模型，從而減少對昂貴適應度函數的評估時間。該章展示如何利用代理模型顯著提高基于遺傳規劃的特征學習算法的計算效率。

閱讀本書的本科生可以系統學習機器學習、計算機視覺、進化計算的基本理論，結合代碼掌握不同的遺傳規劃算法變體，并將此應用于解決不同的圖像分類與特征學習任務。閱讀本書的碩/博士研究生則可以深入掌握本領域的最新研究動態，進一步挖掘遺傳規劃在圖像分類、機器學習與特征學習方向的潛力，從而推動遺傳規劃與進化計算領域的發展。

為方便學習與后續研究，隨書發布的各個遺傳規劃算法的代碼可以通過GitHub 網站YingBi92 賬號的BookCode 項目獲取。該代碼會助力大家掌握圖像分類中的關鍵特征學習算法，并為設計新型遺傳規劃算法提供指導。期望通過開源協作，推動該領域形成活躍的學術交流與知識共享生態，吸引更多研究者加入進化計算機視覺與遺傳規劃的研究行列。

最后，對所有鼓勵并幫助完成本書的朋友致以最深切的謝意。首先，感謝新西蘭惠靈頓維多利亞大學進化計算與機器學習研究組以及數據科學與人工智能中心的同事和朋友，他們營造的學術氛圍極大地促進了本書的完成；感謝新西蘭惠靈頓維多利亞大學工程與計算機科學學院、新西蘭高性能計算與數據分析研究平臺提供的算力保障。其次，感謝鄭州大學梁靜教授領導的河南省優化與智能控制技術工程研究中心與計算智能實驗室，感謝我們課題組的碩士和博士研究生，為本書的翻譯提供了重要的幫助。最后，感謝國家自然科學基金項目(62376253、52441411)、新西蘭皇家科學院馬斯登基金項目(VUW2115)、科技創新挑戰計劃(SfTI) 基金項目(E3603/2903)、惠靈頓維多利亞大學研究基金項目(223805/3986)、新西蘭商業創新與就業部數據科學戰略投資基金項目(RTVU1914) 對本書提供的支持。

畢瑩

鄭州大學，中國

薛冰、張孟杰

惠靈頓維多利亞大學，新西蘭

2025 年9 月

本文摘編自《面向圖像分類的遺傳規劃算法》（畢瑩, 薛冰, 張孟杰著. 北京: 科學出版社, 2026. 5）一書“前言”“第1章 緒論”，有刪減修改，標題為編者所加。

(智能優化理論與應用叢書)

ISBN 978-7-03-084906-9

責任編輯：郭 媛 紀四穩

圖像分類是計算機視覺與機器學習領域的一項重要任務，應用范圍廣泛。特征學習是圖像分類的基礎環節。圖像本身的高變異性，使特征學習成為一個極具挑戰性的問題。遺傳規劃 (又稱遺傳編程) 作為一種進化計算技術，能夠通過自動演化計算機程序來解決各類復雜問題。本書系統闡述了如何整合圖像算子、集成學習與代理模型等關鍵技術，以提升遺傳規劃算法在圖像分類中的準確率及其計算效率。書中提出的方法已應用于多種圖像分類任務，并驗證了模型的有效性與可解釋性。

本書可供人工智能、機器學習、計算機視覺和進化計算等相關專業的研究生和高年級本科生參考使用。

（本文編輯：劉四旦）

專業品質 學術價值

原創好讀 科學品位

一起閱讀科學