基于开放读码框架的GEP遗传算子

基因表达式编程（GEP）采用的已有单点重组、两点重组、插串等遗传操作有很大概率发生在基因的非编码区,导致搜索过程中遗传操作前后的基因解码成相同的表达式树,这在一定程度上影响了GEP的搜索性能。为解决这一问题,提出了一类基于开放读码框架的遗传算子,这类算子从基因的编码区中选取作用点,以保证遗传操作将改变编码区中的基因片段,从而使遗传操作后的基因能解码成不同的表达式树。实验结果表明,与已有的同类遗传算子相比,提出的遗传算子缩短了GEP算法进化代数,提高了算法的成功率。     

基于改进郭涛算法的TSP问题求解

郭涛算法可能是目前求解TSP问题最快的演化算法，其算法的核心在于Inver-over算子的设计，但在城市规模超过80时，该算子寻找全局最优解的能力就会下降。将原Inver-over算子的线性逆转改为环形逆转，改进逆转方式后，被逆转的基因片段可以包括整个染色体，这样能有效地防止解的早熟。同时，在原算法的基础上，引入了映射模块，能使父代中好的基因片段得到遗传，使好的基因片段能让更多的染色体所享有，不会因为父代被替代而让好的基因模式丢失。实验表明：改进后的算法增强了原Inver-over算子对最优解的搜索能力，并且对TSPLIB中大部分实例均可搜索到最优解。     

改进的基因表达式程序设计及其在函数建模中的应用

该文提出了一种改进的基因表达式程序设计的遗传进化算法PGEP，新的算法引入三个算子：（1）基于精英保存策略的精英子空间算子；（2）基于全局收敛策略的变重组、变换概率Pc和变变异概率Pm算子；（3）基于群体搜索技术的变维子空间算子。将改进的基因表达式程序设计应用于函数建模，获得满意的结果。     

基于人类繁殖现象的遗传算法研究

标准遗传算法（SGA）只是对自然界遗传进化过程的比较简单的模拟,较少考虑人类特有的繁殖方式。提出一种基于人类繁殖现象的遗传算法（HRGA）,该算法的遗传算子包括选择算子、助长算子、交叉算子和变异算子,遗传个体具有雄性和雌性两种不同的性别,融合了个体的年龄和个体间的亲缘关系两种特征,在允许的年龄范围内,异性个体进行严格的远缘繁殖,从而克服了标准遗传算法容易出现的早熟收敛现象,提高了算法的收敛速度。通过对函数最优化问题的求解试验,证明了该算法具有很强的跳出局部收敛的能力,其全局收敛速度和最优解的质量明显高于标准遗传算法,同时也证明了该算法的有效性。     

机器人路径规划中的改进型遗传算法

提出了一种应用于机器人路径规划的改进型遗传算法。针对机器人路径规划的实际应用,优化设计了交叉算子和变异算子,引入了自定义的插入和删除两种遗传操作。通过把地图特征信息作为参与决策的已知条件来约束遗传算子的操作过程,提高了算法的进化效率。自定义遗传算子的使用,使得算法对复杂地图也表现出良好的适应能力。计算机仿真实验证明该算法在最优解输出概率方面相对于基本遗传算法有了显著提高。     

旅行商问题的动态顺序插入交叉算子的研究

针对旅行商（TSP）问题的特点，在遗传算法的交叉过程中对边的邻接状况采用了新的评价标准，结合顺序交叉算子和贪婪策略设计提出了一种新的交叉算子：动态顺序插入交叉（DOIC）算子。该算子有效地利用了局部信息，并且能很好地继承父代优秀的基因段，实例仿真表明了该算子的有效性。     

基于跳跃基因算子的改进实数遗传算法

为了避免遗传算法在求解数值优化问题时出现搜索能力差、多样性缺失等弊端,提出一种基于实数编码的改进遗传算法(IRCGA).算法集成两个特别设计的算子:模拟二进制跳跃基因算子(SBJG)和多方向交叉算子(MX).SBJG算子以染色体为操作对象,本质上模拟了二进制跳跃基因操作中的插入运动,即利用一种随机的方式将选定的染色体块插入到染色体位点,实现种群内部染色体间的转位,为种群提供额外的遗传多样性;MX算子通过增加交叉方向的方式扩大算子的搜索区域,从而提升后代个体质量与算法的搜索能力.在11个实例的基础上进行对比实验,结果表明,采用改进算子能够明显提升算法在求解数值优化问题时的性能,同时,相比于其他先进有效的算法,IRCGA具有较强的搜索能力且能够维持一定的种群多样性,从而验证了改进算法的有效性和可行性.     

M-GEP:基于多层染色体基因表达式编程的遗传进化算法

该文提出了一种新的基于多层染色体基因表达式编程的遗传进化算法M—GEP,新算法引入了多层染色体的概念,利用染色体构建的层次调用模型对个体进行表达,在解决实际函数发现、电路进化等实际问题中取得了良好效果．该文主要贡献包括：（1）提出了基于多染色体的基因表达式编程算法（M-GEP）;（2）建立了不同染色体的层次调用模型及存储结构;（3）提出并实现了基于染色体的重组算子和基因随机重组算子．对多基因GEP和单基因GEP的对比实验结果表明,平均进化辈数仅为后者的29％～81％．     

SAGA在测试数据自动生成中的应用

结合遗传算法（GA）的并行搜索结构和模拟退火算法（SA）的概率突跳性,并结合自适应交叉算子和遗传算子,形成了一种新的自适应SAGA混合优化算法。在测试数据自动生成系统中,经过实际程序的实验,表明该算法有更强的搜索能力,可以更快的找到全局最优解。     

求解旅行商问题的一个新的单亲遗传算法

本文提出了求解旅行商问题（TSP）的一个新的单亲遗传算法（PGA）。首先，定义了‘好’基因段的概念，并据此设计了一种新的、有效的基因段换位算子；同时，为提高该算子的搜索能力，结合一个局部搜索技术来改进该算子；然后，在此基础上提出了一个求解旅行商问题的一个新的单亲遗传算法。计算机仿真结果表明，该算法是有效的。     

基于克隆选择原理的基因表达式程序设计

提出了一种基于免疫克隆选择算法的基因表达式程序设计混合算法(CS-GEP).基因表达式程序设计(GEP)是一种新近提出的遗传程序设计方法,已逐渐成为演化计算新的分支.GEP最为重要的优点在于其具有很强的表达能力,而如何充分利用GEP易操作的特点,提高GEP的群体搜索能力是研究较少的一个重要内容.CS-GEP方法借鉴免疫克隆选择原理重新设计了一种克隆选择学习策略替代原GEP算法的遗传算法搜索策略,数值实验结果表明,CS-GEP较GEP具有更好的问题求解能力.     

基因沉默机制的基因表达式编程

基因表达式编程（Gene Expression Programming,GEP）对多项式函数为目标的符号回归问题计算效果良好,而对包含多种运算目数、非多项式函数的计算效果欠佳。受转基因生物工程中基因沉默现象的启发,提出一种GEP拓展算法SFGEP（Gene Expression Programming of Symbol Field,SFGEP）。SFGEP染色体由表达因子域与表达基因域组成,按“深度优先”原则解释染色体,利用不同操作符目数,形成基因表达的抑制因子和位置效应,实现染色体解释中基因沉默的机制。实验结果表明,相较传统多基因染色体GEP,SFGEP既保持了一定多项式函数挖掘的能力,又在包含不同运算目数操作符的非多项式函数挖掘方面具有更好的效能,SFGEP的成功率更高、收敛速度更快。     

一种改进的双群进化规划算法

双群进化规划算法采用高斯振荡变异算子对解空间进行大范围盲搜索,效率较低。针对该问题提出一种改进的双群进化规划算法。采用与适应度函数相关的变异算子替换原双群进化规划算法中的高斯振荡变异算子,实现对解空间的导向性高效搜索。仿真结果表明,改进算法性能高于原有算法。     

基因评估基因表达式程序设计方法

基因表达式程序设计(Gene Expression Programming,简称GEP)与遗传程序设计(Genetic Programming,简称GP)相比,具有更强的搜索能力、更简单的编码表示方法和产生更高复杂性函数的能力.但是它也存在一些缺点,例如缺乏学习机制,搜索过于盲目.针对这一缺点,本文提出了一种新的自动程序设计方法:基因评估基因表达式程序设计(Gene Estimated Gene Expression Programming,简称GEGEP).与GEP相比,GEGEP主要具有如下特点:(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;(3)引入了分布评估算法(Estimation of Distribution Algorithm,简称EDA)的思想,以利于增加其学习能力并且加快其收敛速度.实验结果表明,与GEP和GP相比,GEGEP具有更高的拟合和预测精度、更快的收敛速度.     

基于算符优先分析的表达式计算

在高级语言环境中算术表达式的结果是通过语言环境预设的算法思想计算出来的,然而高级语言初学者并不了解表达式的计算过程和方法。本文采用算符优先分析和堆栈的方法给出了算术表达式的计算过程。这将有助于高级语言初学者和计算机编程人员熟悉计算机内部表达式计算的处理过程,以及更好地学习和掌握高级语言的编程技术。     

基于VxWorks平台的TIS网关设计

战术信息系统(TIS)具有集成的战术通信、导航定位和网内识别功能。由于其工作在Lx (960-1215 MHz)频段，无法完成信息的超视距实时传输，限制了其在超视距机动作战中的应用。TIS网关是实现TIS信息和指控信息的超视距实时传输的关键设备。该文构建了一个基于VxWorks实时操作系统的TIS网关，利用VxWorks丰富而标准的sockets编程接口和多任务机制，通过同步卫星为中继的数据链路，实现了TIS信息和指控信息的超视距实时传输，解决了信息的超视距实时传输问题。     

Incremental parsing without a parser

This article describes an algorithm for incremental parsing of expressions in the context of syntax-directed editors for programming languages. Since a syntax-directed editor represents programs as trees and statements and expressions as nodes in trees, making minor modifications in an expression can be difficult. Consider, for example, changing a “ + ” operator to a “1” operator or adding a short subexpression at a syntactically but not structurally correct position, such as inserting “) 1 (d“ at the # mark in” (a + b # + c)”. To make these changes in a typical syntax-directed editor, the user must understand the tree structure and type a number of tree-oriented construction and manipulation commands. This article describes an algorithm that allows the user to think in terms of the syntax of the expression as it is displayed on the screen (in infix notation) rather than in terms of its internal representation (which is effectively prefix), while maintaining the benefits of syntax-directed editing. This algorithm is significantly different from other incremental parsing algorithms in that it does not involve modifications to a traditional parsing algorithm or the overhead of maintaining a parser stack or any data structure other than the syntax tree. Instead, the algorithm applies tree transformations, in real-time as each token is inserted or deleted, to maintain a correct syntax tree.     

一种求解混合整数规划的混合进化算法

提出一种基于正交试验设计的混合进化算法,用于求解混合整数规划问题.进化算法中采用一种混合启发式的变异算子,将正交试验设计作为杂交算子.为了增加种群的多样性,引入一种迁移算子.仿真实验结果表明,与已有的一些算法相比,所提出的求解混合整数规划的混合进化算法能快速收敛到问题的最优解,并且算法的计算量小,解的精度高.