第３４卷 第４期 哈尔滨师范大学自然科学学报 ＮＡＴＵＲＡＬ ＳＣＩＥＮＣＥＳ ＪＯＵＲＮＡＬ ＯＦ ＨＡＲＢＩＮ ＮＯＲＭＡＬ ＵＮＩＶＥＲＳＩＴＹ Ｖｏ１．３４．Ｎｏ．４ ２０１８ 基于神经网络的机器视觉图像识别算法应用木 郑 春，张继山 （安徽省三联学院） 【摘要】研究神经网络的机器视觉图像识别算法应用，神经网络是通过模仿 生物个体中的神经网络的结构，并模仿其功能特性，即神经网络的并行性的信息处 理、非线性映射等能力，将建立的神经网络数学模型应用于农业中图像识别中．在 现代农业科技中机器人视觉技术应用非常广，如在分级、采摘、除草等需要分析采 集图像的操作中，故图像识别是上述操作有效的前期．通过分析各种神经网络模型 在图像识别应用，叙述各种神经网络数学模型应用于图像识别算法中的优缺点．通 过对以ＢＰ神经网络数学模型为基础的图像识别技术进行试验，验证基于神经网络 的机器视觉图像识别算法的应用价值． 【关键词】图像ｉｅ，ｇ＇ｌ；机器视觉；神经网络 中图分类号：ＴＰ１８３文献标识码：Ａ文章编号：１０００—５６１７（２０１８）ｏ４—００４１—０５ ０ 引言 随着计算机网络技术的快速发展，机器视觉 实现人机交互的关键．神经网络算法是通过模拟 人类大脑的神经元处理信息的方式，人类大脑可 以快速并行处理复杂信息，并且可以在不同环境 下提取图像信息，对图像信息可有效处理，将神 经网络应用图像识别中具有以下的优势：可并行 技术的应用领域广泛，图像处理是机器视觉技术 实现的必要条件，图像识别则成为现代科学领域 中重要的研究工具．随着机器视觉技术的应用领 域的增加，传统图像处理技术已满足不了需要， 处理图像信息，并且处理速度比传统算法快很 多；自适应能力强，可以根据建立数学模型分析 人们开始研究新的图像处理技术，将神经网络应 用于图像识别算法中是现在图像识别处理技术 手段之一，也是人们的研究热点． 图像信息；可处理图像中的非线性问题；可预处 理图像中的噪声或杂质数据．在近代，许多研究 者针对神经网络应用于图像识别算法已做出许 多研究 ｊ，通过研究文献发现，神经网络算法 在图像处理中的图像分割、图像增强、特征提取、 图像识别等方面，是通过神经网络建立分类器， 将需要处理的信息提取特征向量作为样本进行 分类．该文介绍多种神经网络算法的类型，分析 各种类型的优缺点，通过文献资料总结神经网络 机器视觉图像识别的的难点是采集的图像 质量会随着图像采集设备和外界光线等因素的 影响而发生变化，采集图像的会存在复杂性，图 像可以是直接的视觉图像也可以是声波信号．图 像识别是实现人机交互的中介，是机器视觉采集 信息的重要环节，如何有效的识别图像信息则是 收稿日期：２０１８—０３一ｌ１ 安徽省教育厅自然科学重点项目（ Ｏｌ８Ａ０６０２）；安徽省三联学院计算机网络技术重点实验室专项研究项目成果 （ＦＩ＇ＺＤ２０１８０００３）；安徽省三联学院服务机器人协同创新中心专项研究成果（ｚｊｑｒｌ７００２） ４２ 哈尔滨师范大学自然科学学报 ２０１８年第３４卷 算法在图像识别中应用，并以ＢＰ神经网络算 法 为例建立数学模型，通过试验验证神经 下面将着重介绍神经网络在机器视觉图像 识别领域的应用现状和前景． 入区 网络算法在机器视觉图像识别应用的有效性． １ 应用于图像识别中的神经网络的 类型 人工神经网络（ＡＮＮ）通过模拟人类大脑神 经元对信息处理的方式，建立数学模型，按照神 经元的连接方式连接组成不同的非线性网络，每 图１ 自组织映射神经网络结构 问题可以使用Ｈｏｐｆｉｅｌｄ神经网络求解．Ｈｏｐｆｉｅｌｄ 神经网络在图像识别、样本匹配和检测等图像处 理问题使用比较多． 个神经元节点代表了一种输出函数，而两个节点 之间的连接表示一个通过该连接信号的权重．神 经网络是模拟人脑神经元进行认知、理解、信息 处理运行机制及结构的一种计算机工程系统，在 图像识别中比较常用的神经网络算法模型有以 下几种． １．１ 自组织映射网络 自组织映射网络是通过自主寻找采集样本 中的规律，自适应、自组织的改变神经网络数学 模型中的结构，一般的学习与分类的进行都具有 一定的先知条件，即在神经网络的加权值的调整 图２ Ｈｏｐｆｉｅｌｄ网络结构 是在有先知条件监督的，白组织映射神经网络则 是因为没有可以适用先验条件，需要神经网络能 够自主学习，自主学习样本数据中的规律或属 １．３反传网络（ＢＰ网络） 性．而自组织神经网络的资组织能力的实现是通 过竞争学习，自组织映射神经网络的结构（如图 １所示）有输人层和竞争层，将相似的数据样本 分到一起，而不相似的数据样本则分离出去．自 组织神经网络 埘 根据算法的不同可分为： ＰＣＡ神经网络和ＳＯＦＭ神经网络．该神经网络类 型主要应用于图像识别中的特征提取和图像压 缩． １．２ Ｈｏｐｆｉｅｌｄ网络 反传网络（ＢＰ网络）是按照误差反向传播的 多层前馈神经网络，以梯度搜索技术减少输入值 和输出值的误差均方差，该类神经网络可以映射 所有的非线性关系，也可以进任意模式的分类能 力，可增强网络的识别能力，在图像处理中，适应 各种问题处理．ＢＰ网络有输入层、隐层、输出层 组成，其结构如图３所示． １．４模糊神经网络 模糊神经网络（如图４所示）是将人工神经 网络算法和模糊逻辑算法相结合，以神经网络为 基础，建立规则库的模糊算法系统，该神经网络 可以表达不确定数据，也可以并行计算推理，提 Ｈｏｐｆｉｅｌｄ神经网络一种递归循环网络（如图 ２所示），是一种将存储系统和二元系统相结合 的神经网络，保证了数据分析的收敛性，模拟了 人类记忆方式．Ｈｏｐｆｉｅｌｄ神经网络是通过将待处 理的样本转化为一个计量函数，以使得问题监督 高图像处理的效率． １．５感知器网络 条件下的解值为该计量函数的最小极值，保证该 感知器为人工神经网络算法中最简单最基 第４期 基于神经网络的机器视觉图像识别算法应用 ４３ 本的单元，由一个输出和多个输入组成，是一种 神经网络中的隐层函数替换为小波函数，将神经 元替换为小波元，通过尺度伸缩和平移分析信 息，改善了ＢＰ神经网络的盲目性，分析精度高， 收敛性好，在图像识别应用具有很好的前景． 二元线性分类器，该神经网络算法可对问题收 敛．感知器神经网络可分为单层感知器（如图５ 所示）和多层感知器，多层感知器可以解决复杂 问题． 出区 输入区 图３ ＢＰ神经网络结构 模糊规则 模糊化区 输入区 图４模糊神经网络结构 输入 输出 图５单层感知器网络算法结构 １．６小波神经网络双向联系存储网络（ＢＡＭ） 小波神经网络双向联系存储网络（ＢＡＭ）是 小波分析与神经网络相结合的新型神经网络，小 波神经网络双向联系存储网络（ＢＡＭ）是将ＢＰ ２ 神经网络在图像识别中的应用 机器视觉图像处理（如图６所示）包括图像 预处理、图像压缩、特征提取、图像分割和图像识 别． 图 图 像 数 像 图 图 预 据 特 像 像 处 一， ＩＩ 压 —＿＿－ 征 —－． 分 —＿－． 识 理 缩提 割 别 ．取 图６图像处理程序 ２．１图像预处理 图像的预处理包括图像增强、图像重建等， 以下介绍神经网络在图像预处理的应用． ２．１，１ 图像增强 图像增强的目的是将图像中需要的信号突 出，减弱杂乱的信号，便于后期信息的提取，图像 增强基于一个非线性模型．Ｈｏｐｆｉｅｌｄ网络、模糊神 经网络模型等均可以用于图像增强． ２．１．２图像重建 图像重建是将信息数据复原出原图像的过 程．Ｈｏｐｆｉｅｌｄ网络算法应用于图像重建，利用神经 网络算法的并行运算的能力，将图像重建问题转 化为Ｈｏｐｆｉｅｌｄ函数的优化问题，求得图像重建的 最优解．将神经网络应用于图像重建的效果好、 效率高． ２．２图像压缩 图像压缩也被称为图像编码，图像编码就是 以比较少的比特有损或无损的描述原图像像素 矩阵，借此去除多余数据，图像压缩过后，图像数 据的输送更快．将神经网络应用于图像压缩可分 为：预测编码、变换编码、矢量量化． ２．３图像特征提取 图像特征提取是在机器视觉采集的图像中 哈尔滨师范大学自然科学学报 ２０１８年第３４卷 提取出有效数据，便于后期图像分割和图像识 别，将神经网络算法用于特征提取的数学模型可 分为二类，一种是卷积神经网络是非监督线性模 型，对计算量小的效果最好。另一种是自组织映 射神经网络模型，该数学模型在进行图形特征提 取是提供了良好的数据结构以及数据聚类效果， 特征提取效果好，映射后且可以保留的原数据拓 扑结构，不会改变图像数据结构，避免数据失真． ２．４图像分割 图像分割是将有效数据分割出来用于图像 识别，即将图像中有效区域分割．因为神经网络 算法的并行性和非线性，神经网络算法在图像分 割中的应用可大致分为两大类：基于像素分割的 神经网络算法和基于特征分割的神经网络算法． 前一种可用自组织映射神经网络、Ｈｏｐｆｉｅｌｄ神经 网络等类型进行计算，噶该算法计算量大，效率 慢．后者基本都适用． ２．５ 图像识别 图像识别是图像处理的最后环节，也是最重 要环节之一，图像识别是视觉机器对目标物的性 状、位置等信息确定，传统的图像识别方法适用 范围小，自适应能力差，易受环境干扰．神经网络 在图像识别上的应用和图像分割一样，自组织映 射神经网络、模糊神经网络、Ｈｏｐｆｉｅｌｄ神经网络算 法均可用于图像识别中．神经网络在图像识别上 的应用实现是通过在已知图像类别的基础上建 立分类器模型，通过分类器模型对新的图像进行 分类，识别出图像信息． ３ 结论与展望 神经网络模拟人脑神经元的信息处理方法， 在神经网络模型中通过将信息结构化和特征提 取获取图像中的信息，将对图像进行分类和编 码，达到图像识别的目的，而且神经网络模型的 进过训练阶段，有良好的收敛性，并可对算法进 行优化，提高计算效率，得到最优解．该文通过对 神经网络类型的学习，汇总了神经网络在图像识 别中的应用优势． 尽管神经网络算法在机器视觉图像识别中 应用非常广泛，但还存在一些问题亟待解决，如 在图像预处理时采用的神经网络算法都为非自 适应的，该神经网络模型为特定，如果模型改变 时，模型中的加权值就需要重新确定；在图像识 别中的模型处理的数据量大，不适用与实时图像 识别，在机器视觉应用中无法实现实时导航功 能．为克服神经网络在图像识别时的不足，可将 其他算法与之结合使用，建立混合模型来处理图 像识别问题，研究与其他算法结合的问题也目前 的研究方向． 神经网络在机器视觉图像识别算法中应用 具有良好发展前景． 参考文献 ［１］ 陈勇涛，郭晓颖，陶慧杰．基于深度学习的图像识别模型研 究综述［Ｊ］．电子世界，２０１８（０４）：６５—６６． ［２］傅隆生，冯亚利，Ｅｌｋａｍｉｌ ｒ０ｌａ，等．基于卷积神经网络的田 间多簇猕猴桃图像识别方法［Ｊ］．农业工程学报，２０１８，３４ （０２）：２０５—２１１． ［３］ 赵鹏超，戚大伟．基于卷积神经网络和树叶纹理的树种识 别研究［Ｊ］．森林工程，２０１８，３４（０１）：５６—５９． ［４］ 衣世东．基于深度学习的图像识别算法研究［Ｊ］．网络安 全技术与应用，２０１８（０１）：３９—４１． ［５］ 覃天足．基于人工智能的景物识别算法［Ｊ］．电子世界， ２０１８（０１）：４３—４４． ［６］ 程曦，吴云志，张友华，等．基于深度卷积神经网络的储粮 害虫图像识别［Ｊ］．中国农学通报，２０１８，３４（Ｏ１）：１５４— １５８． ［７］ 袁银，王东斌，刘永金．基于深度学习的植物图像识别方法 研究［Ｊ］．现代农业科技，２０１７（２３）：２７８—２８０． ［８］ 韩星烁，林伟．深度卷积神经网络在图像识别算法中的研 究与实现［Ｊ］．微型机与应用，２０１７，３６（２１）：５４—５６． ［９］ 曲之琳．深度学习网络在苹果表面病变图像识别中的应 用［Ｄ］．南京邮电大学，２０１７． ［１０］杨健，邹阳．基于智能图像识别的番茄典型病害远程诊断 系统研究［Ｊ］．软件导刊，２０１７，１６（０９）：１９９—２０１． ［１１］毕立恒，刘云潺．基于改进神经网络算法的植物叶片图像 识别研究［Ｊ］．激光与光电子学进展，２０１７，５４（１２）：１７８— １８４． ［１２］秦丰，刘东霞，孙炳达，等．基于深度学习和支持向量机的 ４种苜蓿叶部病害图像识别［Ｊ］．中国农业大学学报， ２０１７，２２（０７）：１２３—１３３． ［１３］郭蓉．基于Ｃａｆｅ的图像分类技术框架［Ｊ］．电子技术与软 件工程，２０１７（１３）：８２． ［１４］张飞云，陈静．基于可拓神经网络的农作物叶部病害图像 识别［Ｊ］．电子世界，２０１７（１２）：１２３—１２４，＋１２７． 第４期 基于神经网络的机器视觉图像识别算法应用 设计［Ｍ１．北京：清华大学出版社，２００５． ４５ ［１５］马晓丹，，周薇，等．基于量子遗传模糊神经网络的苹 果果实识别［Ｊ］．农业机械学报，２０１３，４４（１２）：２２７—２３２， ＋２５１． ［２３］Ｊｏｏｎ Ｋ Ｐ．Ｉｍａｇｅ ｒｅｓｔｏｒａｔｉｏｎ ｕｓｉｎｇ ａ ｍｏｄｉｉｆｅｄ Ｈｏｐｉｆｅｌｄ ｎｅｔｗｏｒｋ ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎＩｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，１９９２，１（１）：４９ —［１６］阎平凡，张长水．人工神经网络与模拟进化计算：第２版 ［Ｍ］．北京：清华大学出版社，２００５． ［”］王红永，曹其新，刘文秀，等．基于神经网络的黄瓜等级 判别［Ｊ］．农业机械学报，１９９９，３０（６）：８３—８７． ［１８］ＳｈｉＹ．ＥｂｅｒｈａｒｔＲ．Ｐａｒａｍｅｔｅｒ Ｓｅｌｅｃｔｉｏｎ ｉｎ Ｐａｒｔｉｃｌｅ Ｓｗ ａｒｌｎ Ｏｐ— ｔｉｍｉｚａｔｉｏｎ［Ｒ］．Ｌｏｎｄｏｎ：Ｓｐｒｉｎｇｅｒ—Ｖｅｄａｇ，１９９８．５９１— ６３． ［２４］Ｋｅｎｉｃｈｉｒｅ Ｙ，Ｈｉｄｅｆｕｍｉ Ｓ，Ｍａｓａｈｉｄｅ Ｏ．Ｒｅｓｔｏｒａｔｉｏｎ ｏｆ ｄｅｇｒａｄｅｄ ｃｈａｒａｃｔｅｒ ｄｏｔ ｉｍａｇｅ ｕｓｉｎｇ ｄｉｓｃｒｅｔｅ Ｈｏｐｆｉｅｌｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ［Ａ］．Ｄｉｓｔｌａ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｗｏｒｋｓｈｏｐ ｐｒｏｃｅｅｄｉｎｇｓ［ｃ］． １９９６．２８７—２９０． ［２５］Ｃｅｌｅｈｉ Ｍ Ｅ，Ｄｅｇｙｖｅｓ Ｊ Ｐ．Ｃｏｌｏｒ ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ ｉｎ ａ ｃｅｌｌｕｌａｒ ６ｏ１． ｎｅｕｒａｌ—ｎｅｔｗｏｒｋ ｅｎｖｉｒｏｎｍｅｎｔ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｕ— ［１９］Ｉｄａｎ Ｓ Ａｈｍａｄ，Ｊｏｈｎ Ｆ Ｒｅｉｄ，Ｍａｒｙ ｉｎ Ｒ Ｐａｕ Ｉｓｅｎ，ｅｔ ａ１． ｒｌａ ｎｅｔｗｏｒｋｓ，１９９６，７（５）；１０８６—１０９８． Ｃｏｌｏｒ Ｃｌａｓｓｉｉｆｅｒ ｆｏｒ Ｓｙｍｐｔｏｍａｔｉｃ Ｓｏｙｂｅａｎ Ｓｅｅｄｓ Ｕｓｉｎｇ Ｉｒａ ａｇｅ ［２６］Ａｎｄｒｚｅｊ Ｃ，Ｗｌｏｄｚｉｍｉｅ￣Ｋ，Ｗｌａｄｙｓｌａｗ Ｓ．Ａｄａｐｔｉｖｅ ｌｅａｒｎｉｎｇ ａｌ— Ｐｒｏｃｅｓｓｉｎｇ［Ｊ］．Ｐｌａｎｔ Ｄ ｉｓｅａｓｅ，１９９９，８３（４）：３２０—３２７． ｇｏｒｉｔｈｍ ｆｏｒ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ ｗｉｔｈ ｐａｒｔｉａｌ ｄａｔａ ［２Ｏ］冯少辉，周平，钱锋．一种确定神经网络初始权值的新方 ［Ｊ］．Ｃｙｂｅｒｎｅｔｉｃｓ ａｎｄ Ｓｙｓｔｅｍｓ，１９９６（２）：１０１４—１０１９． 法［Ｊ］．工业仪表与自动化装置，２ｏｏ６（１）：６５—６９． ［２７］张成，王勇，赵渊，等．改进的自组织特征映射算法及在图 ［２１］孙健．用微粒群算法与神经网络实现传感器误差补偿 像矢量量化中的应用［Ｊ］．兰州大学学报，１９９７，３３（２）：３９ ［Ｊ］．电子元件与材料，２００５，２４（１２）：１７—１９． —４３． ［２２］周开利，康耀红．神经网络模型及其ＭＡＴＬＡＢ仿真程序 Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ ｉｎ Ｃｏｍｐｕｔｅｒ Ｎｅｔｗｏｒｋ Ｏｐｔｉｍｉｚａｔｉｏｎ Ｄｅｓｉｇｎ Ｚｈｅｎｇ Ｃｈｕｎ，Ｚｈａｎｇ Ｊｉｓｈａｎ （Ａｎｈｕｉ Ｓａｎｌｉａｎ Ｕｎｉｖｅｒｓｉｔｙ） Ａｂｓｔｒａｃｔ：Ｆｏｒ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｃｏｍｐｕｔｅｒ ｎｅｔｗｏｒｋ ｏｐｔｉｍｉｚａｔｉｏｎ，ｔｈｅ ｒｅｓｅａｒｃｈ ｆｏｃｕｓ ｉｓ ｇｅｎｅｒａｌｌｙ ｏｎ ｔｈｅ ｒｅｓｅａｒｃｈ ｏｆ ａｌｇｏｒｉｔｈｍｓ．Ｔｈｅ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｉｓ ａｎ ｉｎｔｅｌｌｉｇｅｎｔ ｏｐｔｉｍｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｓｕｉｔａｂｌｅ ｆｏｒ ｓｏｌｖｉｎｇ ｍｕｌｔｉ ——ｏｂｊｅｃｔｉｖｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｐｒｏｂｌｅｍｓ．Ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｃｏｍｐｕｔｅｒ ｎｅｔｗｏｒｋ ｏｐｆｉｍｉｚａｔｉｏｎ ｉｓ ｅｓｓｅｎｔｉｌａｌｙ ａ ｎｏｎｌｉｎｅａｒ ０ —１ ｐｒｏｂｌｅｍ，ａｎｄ ｉｔ ｈａｓ ｍｕｌｔｉｐｌｅ ｃｏｎｓｔｒａｉｎｔｓ．Ｉｎ ｔｈｉｓ ａｒｔｉｃｌｅ，ｔｈｅ ｃｏｎｃｅｐｔ ｏｆ ｃｏｍｐｕｔｅｒ ｎｅｔｗｏｒｋ，ｉｎｔｒｏｄｕｃｅｓ ｈｔｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｃｏｍｐｕｔｅｒ ｎｅｔｗｏｒｋｓ ｉｓ ｅｌｂａｏｒａｔｅｄ，ｔｈｅ ｉｎｆｌｕｅｎｃｉｎｇ ｆａｃｔｏｒｓ ｏｆ ｃｏｍｐｕｔｅｒ ｎｅｔｗｏｒｋ ｏｐｔｉｍｉｚａｔｉｏｎ ｉｓ ａｎａｌｙｚｅｄ，ａｎｄ ｔｈｅ ｒｅｌｉｂａｉｌｉｔｙ ｏｆ ｃｏｍｐｕｔｅｒ ｎｅｔｗｏｒｋｓ ｉｓ ｆｏｃｕｓｅｄ ｏｎ．Ａｉｍｉｎｇ ａｔ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｃｏｍｐｕｔｅｒ ｎｅｔｗｏｒｋ ｏｐｔｉｍｉｚａｔｉｏｎ，ａ ｍａｔｈｅｍａｔｉｃ ｍｏｄｅｌ ｏｆ ｃｏｍｐｕｔｅｒ ｎｅｔｗｏｒｋ ｏｐｔｉｍｉｚｔａｉｏｎ ｐｒｏｂｌｅｍ ｉｓ ｃｏｎｓｔｒｕｃｔｅｄ，ａｎｄ ｔｈｅ ｏｐｅｒａｔｉｏｎ ｓｔｅｐｓ ｏｆ ｈｔｅ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｈｔｍ ｔｏ ｓｏｌｖｅ ｔｈｅ ０—１ ｐｒｏｂｌｅｍ ｉｎ ｃｏｍｐｕｔｅｒ ｎｅｔｗｏｒｋ ｏｐｔｉｍｉｚａｔｉｏｎ ａｒｅ ｉｎｔｒｄｏｕｃｅｄ．Ｔｈｅ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｉｓ ｕｓｅｄ ｔｏ ｓｏｌｖｅ ｔｈｅ ｃｏｍｐｕｔｅｒ ｎｅｔｗｏｒｋ ｍａｔｈｅｍａｔｉｃａｌ ｍｏｄｅ１．Ｉｎ ｔｈｅ ｃｏｍｐｕｔｅｒ ｎｅｔｗｏｒｋ ｏｐｔｉｍｉｚａｔｉｏｎ ｄｅｓｉｇｎ ｅｘａｍｐｌｅ，ｔｈｅ ｅｘｐｅｒｉｍｅｎｔｌａ ｃａｌｃｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｃａｎ ｏｂｔａｉｎ ｔｈｅ ｏｐｔｉｍａｌ ｓｏｌｕｔｉｏｎ ｉｎ ｔｈｅ ｍａｔｈｅｍａｔｉｃａｌ ｍｏｄｅｌ ｏｆ ｔｈｅ ｃｏｍｐｕｔｅｒ ｎｅｔｗｏｒｋ ｏｐｔｉｍｉｚａｔｉｏｎ ｄｅｓｉｇｎ，ｗｈｉｃｈ ｃａｎ ｗｅｌｌ ｍｅｄｉａｔｅ ｔｈｅ ｃｏｎｔｒａｄｉｃｔｉｏｎ ｂｅｔｗｅｅｎ ｈｔｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｈｔｅ ｎｅｔｗｏｒｋ ｄｅｓｉｎｇ ａｎｄ ｉｍｐｒｏｖｅ ｔｈｅ ｃｏｍｐｕｔｅｒ ｎｅｔｗｏｒｋ．Ｃａｌｃｕｌａｔｅ ａｃｃｕｒａｃｙ，ｒｅｄｕｃｅ ｃａｌｃｕｌａｔｉｏｎ ｔｉｍｅ ａｎｄ ｃｏｓｔ． Ｋｅｙｗｏｒｄｓ：Ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ；Ｃｏｍｐｕｔｅｒ ｎｅｔｗｏｒｋ；Ｎｅｔｗｏｒｋ ｏｐｔｉｍｉａｚｔｉｏｎ；Ｍａｔｈｅｍａｔｉｃａｌ ｍｏｄｅｌ （责任编辑：季春阳）
