第4期 陈小波，等：一种基于MAS的自适应图像分割方法 ·81 其结构的开放系统.根据Guessoum!s1,这样的 3)感知sense:设detector当前位于图像中的i MAS应该由如下3个部分组成 像素处，感知半径为r,则所有满足Ii-j‖<r(与i 与问题/领域相关的Agent.这是自适应MAS 相距不超过)的像素j都可被detector感知，并且 的基础，这些Agent可以有不同的类型、目标和行 感知sense用r内所有像素的均值和方差表示， 为，它们存在于环境中并感知环境的局部信息，由此 sense,=(MD),更复杂的感知还包括灰度直方 进行决策，作出一定的行为 图、纹理特征等」 Agent间关系.个体Agent的能力有限，必须和 4)能力ability:这是detector的核心，反映de 其他Agent共享信息和协作，以完成更复杂的任 tector对当前环境的适应程度，随着其目标和局部 务.Agents间由此形成了一定的依赖关系，这可以 感知环境的变化而变化，定义能力ability:= 用MAS组织结构来表示，这种结构根据需要而产 1/1 goal:-sense),是目标与感知差异的减函数. 生和瓦解，是一种动态结构 能力类似于遗传算法(GA)中的适应度函数，但GA 管理Agent..由于Agent的局部性，无法把握问 中的适应度函数一般是全局且是静态的，而本文的 题求解的整体过程，虽然Agent完全自适应也可以 能力则是局限于每个Agent且会因其选择不同的 用于问题的求解，这正如文献[3]的做法，但这种系 行为、具有不同的目标、感知不同的环境而变化，这 统的鲁棒性不强，无法控制系统的演化方向，尤其是 更符合自然界规律，全局的行为是通过个体通过局 无法获得关于系统更高层的信息.因此，引入的管理 部的自适应而实现的，这种通过个体局部自适应而 Agent用于对系统的当前状态进行全局的监控，根 涌现的智能求解复杂问题正是Agent计算的核心， 据高层知识对问题Agent进行指导和约束，加速求 这正如文献[7]所述 解过程，约束求解方向. 5)类别C:用来表示该detector当前所属类别， 根据上面3条原则，设计用于图像分割的自适 作为图像最终分割的依据。 应MAS结构如图1所示（其中monitor表示管理 6)繁殖与移动向量UQ):用于描述detector Agent,detector表示问题Agent) 在各个方向上繁殖和移动的权重，记录detector的 ©monitor 历史信息，即 U(H刊=[n,b,B,,h,a], QJ)=[q,平，p,…,9=] 图像 式中：w=1,9=1,w∈0,11，g∈0,1]， detector 分别为方向，j上的繁殖权重与移动权重.常见的 图1MAS结构 繁殖与移动方向可采用像素的8-邻域，此时n=8. Fig 1 The structure of MAS 7)步数step:用以刻画detector的年龄，初始时 step=0,detector每执行一次移动行为，则其step 2 图像特征检测Agent 将增1. 图像特征检测Agent(问题Agent),简称detec- detector的行为包括： tor,主要用于搜索与自己目标相同的图像区域，它 1)移动(moving):即detector由一个位置迁移 利用典型的反应式Agent结构o(下文所述下标i 到另一个位置，移动方向由其移动向量Q决定，即 均表示Agent的标识) 向Q最大的方向移动.其发生的条件为：ability,< detector的属性包括： A,即detector能力低于某一阈值，此时detector将 I)位置pos:用于描述detector在图像环境中 以概率P触发移动行为，而以概率1·PM触发革 的当前位置不同位置detector将感知不同的局部环 命行为(revolution),其中Pu为detector己经移动 境 步数step的减函数Pu=Pw(step),如图2所示，这 2)目标goal:用期望检测到的图像灰度均值M 表示detector为更好实现目标而改变所处的环境， 和方差D表示，goal:::=(M,D detector每移动一次，其step将增l 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net其结 构 的 开 放 系 统. 根 据 Guessoum [5 ] , 这 样 的 MAS 应该由如下 3 个部分组成. 与问题/ 领域相关的 Agent. 这是自适应 MAS 的基础 ,这些 Agent 可以有不同的类型、目标和行 为 ,它们存在于环境中并感知环境的局部信息 ,由此 进行决策 ,作出一定的行为. Agent 间关系. 个体 Agent 的能力有限 ,必须和 其他 Agent 共享信息和协作 ,以完成更复杂的任 务. Agents 间由此形成了一定的依赖关系 ,这可以 用 MAS 组织结构来表示 ,这种结构根据需要而产 生和瓦解 ,是一种动态结构. 管理 Agent. 由于 Agent 的局部性 ,无法把握问 题求解的整体过程 ,虽然 Agent 完全自适应也可以 用于问题的求解 ,这正如文献[ 3 ]的做法 ,但这种系 统的鲁棒性不强 ,无法控制系统的演化方向 ,尤其是 无法获得关于系统更高层的信息. 因此 ,引入的管理 Agent 用于对系统的当前状态进行全局的监控 ,根 据高层知识对问题 Agent 进行指导和约束 ,加速求 解过程 ,约束求解方向. 根据上面 3 条原则 ,设计用于图像分割的自适 应 MAS 结构如图 1 所示 (其中 monitor 表示管理 Agent ,detector 表示问题 Agent) . 图 1 MAS 结构 Fig11 The structure of MAS 2 图像特征检测 Agent 图像特征检测 Agent (问题 Agent) ,简称 detec2 tor ,主要用于搜索与自己目标相同的图像区域 ,它 利用典型的反应式 Agent 结构[6 ] (下文所述下标 i 均表示 Agent 的标识) . detector 的属性包括 : 1) 位置 pos:用于描述 detector 在图像环境中 的当前位置不同位置 detector 将感知不同的局部环 境. 2) 目标 goal :用期望检测到的图像灰度均值 M 和方差 D 表示 , goali ∶∶= ( Mi D i) . 3) 感知 sense :设 detector 当前位于图像中的 i 像素处 ,感知半径为 r,则所有满足 ‖i - j ‖< r(与 i 相距不超过 r) 的像素 j 都可被 detector 感知 ,并且 感知 sense 用 r 内所有像素的均值和方差表示 , sensei = ( M r i D r i ) , 更复杂的感知还包括灰度直方 图、纹理特征等. 4) 能力 ability :这是 detector 的核心 ,反映 de2 tector 对当前环境的适应程度 ,随着其目标和局部 感知 环 境 的 变 化 而 变 化 , 定 义 能 力 abilityi = 1/ (| goali - sensei | ) ,是目标与感知差异的减函数. 能力类似于遗传算法( GA) 中的适应度函数 ,但 GA 中的适应度函数一般是全局且是静态的 ,而本文的 能力则是局限于每个 Agent 且会因其选择不同的 行为、具有不同的目标、感知不同的环境而变化 ,这 更符合自然界规律 ,全局的行为是通过个体通过局 部的自适应而实现的 ,这种通过个体局部自适应而 涌现的智能求解复杂问题正是 Agent 计算的核心 , 这正如文献[7 ]所述. 5) 类别 C:用来表示该 detector 当前所属类别 , 作为图像最终分割的依据. 6) 繁殖与移动向量 (U Q) :用于描述 detector 在各个方向上繁殖和移动的权重 ,记录 detector 的 历史信息 ,即 U ( H) = [ u1 , u2 , u3 , …, ui , …, un ] , Q( J ) = [ q1 , q2 , q3 , …, qj , …, qn ]. 式中 : ∑ n i = 1 ui = 1 , ∑ n j = 1 qj = 1 , ui ∈[0 ,1 ] , qj ∈[0 ,1 ] , 分 别为方向 i , j 上的繁殖权重与移动权重. 常见的 繁殖与移动方向可采用像素的 82邻域 ,此时 n = 8. 7) 步数 step :用以刻画 detector 的年龄 ,初始时 step = 0 , detector 每执行一次移动行为 ,则其 step 将增 1. detector 的行为包括 : 1) 移动 (moving) :即 detector 由一个位置迁移 到另一个位置 ,移动方向由其移动向量 Q 决定 ,即 向 Qj 最大的方向移动. 其发生的条件为 :abilityi < A ,即 detector 能力低于某一阈值 ,此时 detector 将 以概率 PM 触发移动行为 ,而以概率 1 - PM 触发革 命行为(revolution) ,其中 PM 为 detector 已经移动 步数 step 的减函数 PM = PM (step) ,如图 2 所示 ,这 表示 detector 为更好实现目标而改变所处的环境 , detector 每移动一次 ,其 step 将增 1. 第 4 期 陈小波 ,等 :一种基于 MAS 的自适应图像分割方法 · 18 ·