高阶常微分方程的演化建模用于时间序列的分析

本文提出采用高阶常微分方程模型代替传统的时序分析中所用的ＡＲＭＡ模型来实现一维动态系统的建模,并针对传统方法建模过程中所遇到的困难,设计了将遗传程序设计与遗传算法个嵌套的混合演化建模算法,以遗传程序设计优化模型结构,以遗传算法优化模型参数,首次成功地实现了动态系统的高阶微分方程建模过程自动化,对三个典型时间序列实例的实验结果表明：采用此算法可由计算机自动发现适合描述该动态系统的高阶常微分方程模型,     

常微分方程组的演化建模

利用演化算法的自适应,自组织,自学习的特性,设计了遗传程序设计与遗传算法和相嵌套的常微分方程组混合演化建模算法,以遗传程序设计优化模型结构,以遗传算法优化模型参数,首次实现了常微分方程组建模过程自动化并可进行有效的预测。     

二次演化建模在实时仿真中的应用

遗传程序设计在复杂系统的建模中表现出智能性，自适应性等特点，它可以找出能描述系统的静态和动态过程一系列相关联的函数或微分方程，为描述复杂系统提供了一种有效的手段，针对传统的遗传程序设计方法的搜索效率低，所建模型的精度不高等缺点，提出了一种新的演化建模算法：二次演化建模，该算法引入人工智能中的系统公告板来公布最好的树及其子树，从而加速了优化过程，使之达到实时仿真的目的，并将其应用于描述一个实时仿真系统－－轮机仿真系统，并结合仿真系统的特点来指导遗传算法，减少其搜索的盲目性，实验的结果表明无论在算法的求解速度还是模型的精度上二次演化建模算法均优于传统的遗传程序设计方法。     

混合GP-GA用于信息系统建模预测的研究

该文克服了传统建模方法在模型选取及参数估计方面的困难与不足,提出了利用改进的遗传程序设计和改进的遗传算法相结合的混合GP-GA算法。一方面,遗传程序设计中加入了简约压力项,控制了代码过度增长,实现了不加先验知识的简洁非线性模型的自动获取。另一方面,遗传算法采用Gray编码,随机整群抽样选择,以优化模型中的参数,这在一定程度上补偿了遗传程序设计在演化过程中具有较好结构的模型可能因为其中的参数未能达到最优而被淘汰的损失。仿真实例和实际应用均表明混合GP-GA算法优于普通的回归分析及单纯的遗传程序设计方法,提高了拟合和预测精度,并且更适合反映问题的实际情况。     

基于遗传算法的微分方程模型参数优化

针对采用传统方法求解动态系统的微分方程模型的参数存在的不足与困难,设计了一种改进的遗传算法优化模型的参数.计算实例表明,用遗传算法优化模型参数可以得到与实际数据更加吻合的数学模型.     

基于遗传算法的微分方程模型参数优化

针对采用传统方法求解动态系统的微分方程模型的参数存在的不足与困难,设计了一种改进的遗传算法优化模型的参数。计算实例表明,用遗传算法优化模型参数可以得到与实际数据更加吻合的数学模型。     

基因表达式程序设计在信息系统建模预测中的应用

基因表达式程序设计(GEP)是一种基于基因组和表现型组的新型遗传算法,该算法具有很好的健壮性和高效性采用基因表达式的方法进行演化建模,实例测试的结果表明使用基因表达式程序设计的方法得到的模型要优于普通的线性回归方法和传统的遗传程序设计方法得到的模型,提高了拟合和预测精度。     

基因表达式程序设计在信息系统建模预测中的应用

基因表达式程序设计(GEP)是一种基于基因组和表现型组的新型遗传算法,该算法具有很好的健壮性和高效性.采用基因表达式的方法进行演化建模,实例测试的结果表明使用基因表达式程序设计的方法得到的模型要优于普通的线性回归方法和传统的遗传程序设计方法得到的模型,提高了拟合和预测精度.     

遗传优化支持向量机的传感器动态建模

传感器动态建模是研究传感器工作机理、评价动态性能指标及设计动态校正环节的重要途径.在分析最小二乘支持向量机回归算法的基础上,针对其可调参数的选择问题.提出了基于遗传算法进行全局优化的方法.仿真结果表明,将遗传优化最小二乘支持向量机算法应用于传感器的动态建模中,具有学习速度快和建模精度高的优点,所建模型具有较强的实用性和...     

改进的基因表达式程序设计实现复杂函数的自动建模

基因表达式程序设计(简称GEP)是一种新型的遗传算法,它继承了遗传程序设计(简称GP)和遗传算法的优点并且具有更高的效率和更强的搜索能力,但同时也存在缺乏学习机制,搜索过于盲目的缺点,针对其缺点对其进行了如下改进:(1)改变了GEP的基因表达式结构,将原来的“头+尾”结构改成了“头+身+尾”结构,以利于其引进学习机制;(2)同源基因也采用“头+身+尾”结构,以利于增强其搜索能力;用其实现复杂函数的自动建模,实例测试的结果表明用改进的基因表达式程序设计得到的模型比传统方法得到的模型要好,甚至优于用遗传程序设计和基本的基因表达式程序设计得到的模型。     

Modeling and prediction for discharge lifetime of battery systems using hybrid evolutionary algorithms

A hybrid evolutionary modeling algorithm (HEMA) is proposed to build the discharge lifetime models with multiple impact factors for battery systems as well as make predictions. The main idea of the HEMA is to embed a genetic algorithm (GA) into genetic programming (GP), where GP is employed to optimize the structure of a model, while a GA is employed to optimize its parameters. The experimental results on lithium-ion batteries show that the HEMA works effectively, automatically and quickly in modeling the discharge lifetime of battery systems. The algorithm has some advantages compared with most existing modeling methods and can be applied widely to solving the automatic modeling problems in many fields.     

A two-level hybrid evolutionary algorithm for modelingone-dimensional dynamic systems by higher-order ODE models

This paper presents a new algorithm for modeling one-dimensional (1-D) dynamic systems by higher-order ordinary differential equation (HODE) models instead of the ARMA models as used in traditional time series analysis. A two-level hybrid evolutionary modeling algorithm (THEMA) is used to approach the modeling problem of HODE's for dynamic systems. The main idea of this modeling algorithm is to embed a genetic algorithm (GA) into genetic programming (GP), where GP is employed to optimize the structure of a model (the upper level), while a GA is employed to optimize the parameters of the model (the lower level). In the GA, we use a novel crossover operator based on a nonconvex linear combination of multiple parents which works efficiently and quickly in parameter optimization tasks. Two practical examples of time series are used to demonstrate the THEMA's effectiveness and advantages.     

动态系统的常微分方程组建模—基于不同搜索技术的实验研究

以人口模型和化学反应模型为例,通过大量实验研究比较了分别采用基于两种传统的搜索方法即局部搜索算法和模拟退火算法、遗传算法（简称GA）四者相结合的14种不同算法建立动态系统的常微分方程组模型的实验结果,得到了有关各算法性能比较的一些新的结论。两个实例的实验结果表明：在14种算法中,GP＋GA＋LS－MU算法（即在采用GP的模型结构的优化过程中嵌入采用GA的模型参数的优化过程,并且在每一演化代对种群中的部分个体进行基于GP的标准变异算子产生邻域解的局域搜索过程）是目前解决常微分方程组建模问题的最好算法。     

Evolutionary Modeling of Systems of Ordinary Differential Equations with Genetic Programming

This paper describes an approach to the evolutionary modeling problem of ordinary differential equations including systems of ordinary differential equations and higher-order differential equations. Hybrid evolutionary modeling algorithms are presented to implement the automatic modeling of one- and multi-dimensional dynamic systems respectively. The main idea of the method is to embed a genetic algorithm in genetic programming where the latter is employed to discover and optimize the structure of a model, while the former is employed to optimize its parameters. A number of practical examples are used to demonstrate the effectiveness of the approach. Experimental results show that the algorithm has some advantages over most available modeling methods.     

基于遗传编程的非线性系统辨识

为了实现对非线性系统的辨识,能够对目标系统的结构和参数进行同步辨识,将遗传编程(Genetic Programming,GP)作为辨识工具.使用基本遗传编程算法对非线性静态系统进行辨识-对电厂钢球磨煤机存煤量与产粉量之间的特性关系曲线进行辨识;使用一种改进的遗传编程算法对非线性动态系统进行辨识-对一个二阶离散非线性差分方程进行辨识.所有辨识都取得了满意的结果.遗传编程进化过程中,目标系统的结构与参数同时准确辨识,证明遗传编程非常适合于解决非线性系统辨识问题,并在算法上实现了结构辨识和参数辨识的统一.     

基于遗传规划和过程机理的混合建模方法

利用遗传规划和遗传算法相结合的方法可以确立发酵过程模型的结构和参数得出简明直观的模型表达形式。利用已有的关于发酵过程的机理知识,建立一些模型来代替初始群体中的差个体以提高种群的质量,使其中所包含的优良因子能够被优化过程所利用,从而缩短搜索时间。另外,针对在工业过程中所得的测量值被大噪声甚至野值污染可能性大的问题,提出了基于M估计的具有抗差性能的遗传规划。实验表明,所提出的改进遗传规划所得的模型较为简单,具有较好的泛化性能。