“““
????GA?模型，?用遺傳算法求解OTSU
“““
import?random
import?matplotlib.pyplot?as?plt
import?time
import?cv2


class?GA:
????def?__init__（self?img?fitness?population_num?evolution_times?ga_length=8?crossover_pro=0.5
?????????????????variation_pro=0.001）:
????????“““
????????????????????GA?model，對種群參數以及種群進行初始化
????????:param?img:?????????????????????圖像數據
????????:param?fitness:?????????????????適應度函數
????????:param?population_num:??????????種群數量
????????:param?evolution_times:?????????種群迭代次數
????????:param?ga_length:???????????????基因長度
????????:param?crossover_pro:???????????交換概率
????????:param?variation_pro:???????????變異概率
????????“““
????????#?圖像數據
????????self.data?=?img
????????#?基因長度
????????self.ga_length?=?ga_length
????????#?種群數量
????????self.population_num?=?population_num
????????#?適應度函數
????????self.fitness?=?fitness
????????#?進化次數（產生多少代后代）
????????self.evolution_times?=?evolution_times
????????#?交叉以及變異概率
????????self.crossover_pro?=?crossover_pro
????????self.variation_pro?=?variation_pro
????????#?畫圖參數
????????self.plt?=?plt
????????x?=?range（pow（2?self.ga_length））
????????y?=?[self.fitness（self.data?i）?for?i?in?x]
????????max_y?=?max（y）
????????index_max?=?y.index（max_y）
????????self.x?=?x
????????self.y?=?y
????????self.max_y?=?max_y
????????self.index_max?=?index_max
????????self.min_y?=?min（y）

????????#?隨機產生種群，并且編碼
????????self.populations?=?[]
????????#?todo??pow（2?self.ga_length）?-?1
????????max_num?=?pow（2?self.ga_length）?-?1
????????for?i?in?range（self.population_num）:
????????????pop?=?random.randint（0?max_num）
????????????pop?=?self.num_encode（pop）
????????????self.populations.append（pop）

????????#?todo?initialize

????def?selection（self）:
????????“““
????????????????通過輪盤法選擇
????????:return:
????????“““
????????#?#?todo?delete
????????#?gen?=?self.statistics（）
????????#?print（‘before?selection:‘?gen）

????????#?計算每一個個體的適應度值
????????fitness_list?=?self.calculate_fitness_list（）

????????#?存在誤差
????????#?fitness_sum?=?np.sum（fitness_list）
????????#?fitness_pro?=?fitness_list?/?fitness_sum

????????fitness_sum?=?0.0
????????for?fit?in?fitness_list:
????????????fitness_sum?+=?fit
????????fitness_pro?=?[]
????????for?i?in?range（len（fitness_list））:
????????????fitness_pro.append（fitness_list[i]?/?fitness_sum）

????????pro_sum?=?0.0
????????for?i?in?range（1?self.population_num）:
????????????pro_sum?+=?fitness_pro[i]
????????????fitness_pro[i]?=?pro_sum
????????#?在計算中由于浮點數計算會存在誤差導致最后的概率之和不為1，這里糾正
????????fitness_pro[-1]?=?1

????????next_generations?=?[]
????????for?i?in?range（self.population_num）:
????????????#?產生一個0?-?1的概率
????????????pro?=?random.uniform（0?1）

????????????#?可優化（先計算完輪盤選擇的全部概率分布，歸結子問題），見上
????????????if?pro?<=?fitness_pro[0]:
????????????????next_generations.append（self.populations[0]）
????????????????continue
????????????for?j?in?range（self.population_num?-?1）:
????????????????if?fitness_pro[j]?