Дискретно-непрерывная математика. Кн. 0 : Алгоритмы. Ч. Генетические алгоритмы

6.4.5. Улучшение алгоритма 
Процесс можно значительно ускорить применив следующие 
оптимизации: 

аппроксимацию производить в пространстве Lab вместо RGB, 
оно характеризуется тем, что декартово расстояние между 
точками в цветовом пространстве примерно согласуется с 
воспринимаемой глазом разницей. Количества итераций в 
секунду это не добавит, зато направит эволюцию в нужном 
направлении. 

создать маску важности областей изображения — черно-белое 
изображение с выделенными областями интереса, которое 
затем использовать при расчете фитнес-функции, это позволит 
сконцентрировать эволюцию на том, что действительно 
представляет интерес. 

для изображений использовать VolatileImage. На моей машине 
рисование на VolatileImage в 10 раз быстрее чем рисование на 
BufferedImage. Правда, потом результат приходится все равно 
конвертировать в BufferedImage, чтобы получить цвета 
пикселей, это приводит к существенному падению 
быстродействия, но все равно окончательный результат в 3 
раза лучше, чем просто рисовать полигоны на BufferedImage. 

подобрать оптимальные параметры мутации на разных этапах. 
Задача это не простая, но и тут может помочь генетический 
алгоритм. Я проводил эксперименты, где переменными были 
параметры мутации, а фитнес-функцией — средняя скорость 
уменьшения ошибки за 100 итераций. Результаты 
обнадеживают, однако для решения этой задачи требуется 
значительная вычислительная мощность. 

завести несколько независимых генофондов и производить 
эволюцию в них независимо, через определенные промежутки 
времени скрещивать между собой особей из разных 
генофондов. Такой подход называют островной моделью ГА, 

---

А.Е. Кононюк Дискретно-непрерывная математика 
372 
т. е. эволюция как бы протекает на изолированных друг от 
друга островах, скрещивания между особями с разных 
островов крайне редки. 

засевать изображение полигонами постепенно: сначала 
поместить по 1-2 полигона в каждую ячейку, позволить им 
«расползтись», затем добавить еще по 1-2 полигона в места, 
где наблюдается наибольшее отклонение изображения от 
оригинала и подвергать эволюции только вновь добавленные 
полигоны, так повторять пока не будет достигнут предел числа 
полигонов в ячейке, после чего запустить эволюцию по всему 
изображению, как описано в статье выше. Такой подход 
приводит к наиболее точным близким аппроксиммациям. 
Итак, мы рассмотрели пример, как можно применить EvoJ для 
решения задачи аппроксиммации изображения. Стоит отметить, что 
аппроксимация изображений генетическим алгоритмом представляет 
собой скорее академический или эстетический интерес нежели 
практический, ибо подобного результата можно добиться другими, 
специально заточенными алгоритмами векторизации изображений. 
В следующий раз я расскажу о применении генетического алгоритма 
для генерации дизайнерских идей.