该论文以迭代函数系统理论为基础,利用并行遗传算法研究二值图象的分形编码问题.一幅二值图象可以用一个迭代函数系统的吸引子来逼近.因此图象可以用该迭代函数系统所包含的相对少量的参数来编码(当然还可以对参数本身进一步编码),以达到数据压缩的目的.给定一幅二值图象,要自动地求它近似对应的迭代函数系统的参数,就必须应用搜索优化的方法,即找到一组较优的参数使其吸引子与所给图象的误差的要求的范围之内(当然这组参数可能不是唯一的).之所以要进行优化,是因为目前还没有实用的方法能直接求解这样一个逆问题.遗传算法是一种全局优化方法.由于它是一种群体操作,因此稳健性较好,并且相对于其它的优化方法能更邓的克服陷入局部最优解的弊病,更适合于解空间复杂、目标函数多峰的优化问题.该论文试验使用遗传算法来优化图象分形编码的参数.在利用遗传算法优化参数中,该论文研究了遗传算法的并行化问题,并基于IBM SP2这样的通用并行机节点负载不均衡的特点,提出了动态负载平衡的孤岛模型和主从模型两种并行遗传算法.实验表明,它们的SP2上的并行性能是令人满意的,在节点负载不均衡时的并行效率优于基本的弧岛模型.大量计算模拟结果表明,对于任意的二值图象,遗传算法难以得到满意的解.因此该论文用已知解的分形图象为目标图象研究了遗传算法对这种问题的优化能力.实验标明,遗传算法一般只能在已知解的小邻域内收敛到已知解.在此基础上,论文分析了参数空间维数低时目标函数的几何特征,发现目标函数存在一定多峰特性.最后,论文给出下面的推论:二值图象分形编码优化问题是多极值问题,并且是GA-难的问题.