遗传算法（Genetic Algorithm，GA）
模拟生物进化论的自然选择和遗传学进化过程的计算模型，是一种通过模拟自然进化过程随机搜索最优解的方法,体现了适者生存、优胜劣汰的进化原则，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定，具有并行性和较强的全局寻优能力。
求解步骤
1）编码：定义问题的解空间到染色体编码空间的映射，一个候选解(个体)用一串符号表示。
2）初始化种群：在一定的限制条件下初始化种群，该种群是解空间的一个子空间。
3）设计适应度函数：将种群中的每个染色体解码成适于适应度函数的形式，计算其数值。
4）选择：根据适应度大小选择优秀个体繁殖下一代，适应度越高，选择概率越大。
5）交叉：随机选择两个用于繁殖下一代的个体的相同位置，在选中的位置实行交换。
6）变异：对某个串中的基因按突变概率进行翻转。
7）从步骤4开始重复进行，直到满足某一性能指标或规定的遗传代数。
蚁群算法（Ant colony optimization, ACO）
其灵感来源于蚂蚁觅食。
通过在所经路径上留下信息素来相互传递信息，信息素浓度较高的线路就会吸引更多的蚂蚁，经过多次迭代，蚂蚁就能找到蚁巢到食物的最短路径。该算法具有并行性、强鲁棒性、正反馈性和自适应性，能用于解决大多数优化问题，在图像分割、边缘检测、分类、匹配、识别等领域有重要应用。
模拟退火算法（Simulated Annealing ，SA）
来源于物理中固体退火原理。将固体加温至充分高,再让其冷却,加温时,固体内部粒子随温升变为无序状,内能增大,冷却时粒子渐趋有序,在每个温度都达到平衡态,最后在常温时达到基态,内能减为最小,sA具有全局优化性能,在工程中得到广泛应用。模拟退火算可以分解为解空间、目标函数和初始解三部分。
粒子群算法（Particle Swarm Optimization，PSO）
源于对鸟群捕食的行为研究。
在对动物集群活动行为观察基础上,利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得最优解。同遗传算法类似,是一种基于迭代的优化算法，他的优势在于简单容易实现并且没有许多参数需要调整,广泛应用于函数优化、神经网络、模糊控制等领域。
以上四种算法在图像边缘检测、图像分割、图像识别、图像匹配、图像分类等领域有广泛应用。目前大多数人工智能算法还不是特别成熟，随着科学的发展还会有更多的智能算法被发现，在图像处理方面的应用也在不断深化，将多种智能算法进行融合将是未来一个重要的发展方向。
