基于适应度方差度量种群多样性的GEP算法

为了保持进化过程中种群的多样性,提高算法的收敛速度,保护进化过程中的较优个体,对标准基因表达式编程(GEP)算法进行了改进,提出了一种基于适应度方差度量种群多样性的GEP算法(GEP based on population diversity measure by variance of individuals' fitness,DM-GEP).该算法以个体适应度方差来度量种群多样性,设计了自适应变异算子,使得变异率随着种群多样性情况而变化,且同时兼顾了种群的稳定性以及进化过程中较优个体的保护.仿真结果表明,DM-GEP提高了收敛速度和精确度.     

基于可进化性的自适应遗传算法

针对传统遗传算法容易陷入局部最优解的问题,提出一个基于可进化性的自适应遗传算法。将个体可进化性作为适应度函数的参数加入到随进化代数动态调整的非线性适应度函数中,动态调整整个种群的交叉与变异概率以逸出局部最优。实验结果表明,该算法可改善适应度不高但具有较好进化能力个体的生存概率,且提高了种群多样性与搜索效率。     

基因表达式编程中的优势种群产生策略

初始种群是影响基因表达式编程算法(GEP)的重要因素之一.提出可以产生具有较高个体适应度和基因多样性种群的优势种群产生策略.优势种群产生策略继承了基因空间均匀分布策略和精英个体产生策略的优点,产生的初始种群最高适应度个体的适应度较高,而且种群具有基因多样性特征.实验表明,优势种群产生策略可以显著提高进化的成功率,从而提高系统的进化效率.     

基于自适应交叉概率因子的差分进化算法及其应用

基本差分进化算法的控制参数在进化过程中是保持不变的,但是交叉概率因子的大小影响种群进化的 多样性以及种群的收敛速度．本文提出一种根据种群平均适应度方差非线性改变交叉概率因子的方法．在种群多样 性降低时增大该因子,使之接受更多变异个体的基因,有利于加强局部搜索和加速收敛速率;多样性增大时减小该 因子,避免该个体基因结构遭到过多的破坏,促使该个体的进化,有利于保持种群的多样性和完成全局搜索．并且 给出了一种新的变异方式,这种变异方式一方面能提高算法的收敛速度,另一方面能在一定程度上保持较高的种群 多样性．最后将其应用到热连轧精轧机组负荷分配优化中,改进后的优化方法在性能上要优于所对比算法．     

一种维持种群多样性的遗传算法变异算子的研究

本文针对二进制编码遗传算法中，由于传统变异算子随机地选取基因位置而对搜索全局最优的不利影响，分析了变异位置对种群多样性的影响．提出了一种新的维持种群多样性的变异算子，其变异概率和变异位置由种群基因位的多样度和个体适应度值自适应决定．经变异后优秀的个体得以保存，且在种群中每一基因坐上两种基因的比例控制在期望的范围内．本文最后用实验验证了该算于维持种群多样性的有效性．     

DC-GEP:基因表达式编程早熟预警——多样性贡献策略

基因表达式编程(gene expression programming,GEP)是函数发现的有力工具,但传统的GEP存在早熟缺陷,为了解决这一问题,已有的研究方法均是在早熟发生后采取补救的措施,导致效率的降低。采用了预警思路来防止GEP早熟现象的发生。主要工作如下:(1)通过对种群个体多样性的评价,提出基于多样性贡献的最优个体选择机制,设计了基于融合适应度和多样性贡献的GEP进化算法diversity contribution-GEP(DC-GEP);(2)提出了一种进化辈数自动确定的方法,实现了自适应的DC-GEP进化算法;(3)实验表明,DC-GEP对于复杂函数挖掘的算法性能比标准GEP在进化效率上平均提高了70%。     

基于染色体易位的动态进化算法

针对采用二进制编码的进化算法在函数优化过程中会因为维度之间的相互干扰,导致部分低阶模式出现无法进行有效重组的现象,提出一种新的结合细胞学研究成果的进化算法——染色体易位的动态进化算法(CTDEA)。算法通过构建基因矩阵来模拟有机染色体在细胞内的结构化过程,并在基因矩阵的基础上对出现同质化的染色体短列实施模块化的易位操作,以此来维护种群的多样性;同时通过个体适应度划分种群的方式来维护精英个体,确保个体间的竞争压力,提升算法的寻优速度。实验结果表明,该进化算法与已有的遗传算法(GA)和分布估计算法相比较,在维护种群多样性方面有较大改进,能够将种群的多样性保持在0.25左右;且在寻优的精度、稳定性以及速度上也有明显的改进和提高。     

基于改进遗传算法的交叉口模糊控制研究*

为了改善城市道路交叉口交通信号控制,降低交叉口车辆延误,提出了一种基于改进遗传算法优化的模糊控制方法。在优化模糊控制器的过程中,为避免出现“早熟”现象,采用改进的自适应遗传算法,在进化过程中动态调整种群中适应度值最大个体的交叉概率和变异概率,使种群进化不会处于一种近似停滞不前的状态。为了检验该控制方法的性能,以交叉口车辆平均延误作为性能评价指标,在相同交通条件下进行了仿真实验。结果表明,相对于普通模糊控制器,经过改进遗传算法优化的模糊控制器能有效减小交叉口车辆的平均延误,提高交叉口的通行能力。     

DC-GEP：基因表达式编程早熟预警—多样性贡献策略

基因表达式编程（gene expression programming,GEP）是函数发现的有力工具,但传统的GEP存在早熟缺陷,为了解决这一问题,已有的研究方法均是在早熟发生后采取补救的措施,导致效率的降低。采用了预警思路来防止GEP早熟现象的发生。主要工作如下：（1）通过对种群个体多样性的评价,提出基于多样性贡献的最优个体选择机制,设计了基于融合适应度和多样性贡献的GEP进化算法diversity contribution-GEP（DC-GEP）;（2）提出了一种进化辈数自动确定的方法,实现了自适应的DC-GEP进化算法;（3）实验表明,DC-GEP对于复杂函数挖掘的算法性能比标准GEP在进化效率上平均提高了70％。     

双系统协同进化的基因表达式编程及其在函数发现中的应用

受人类进化过程的启发,提出了一种双系统协同进化的基因表达式编程算法DSCE-GEP。DSCE-GEP由自然进化系统和人工干预系统组成。人工干预系统包括个体干预和种群干预。个体干预是依据基因库对种群中的个体进行去劣和增优操作,旨在改善种群中个体的质量;种群干预通过引入随机和镜像个体来提高种群的多样性和全局寻优能力。与权威文献中改进的GEP关于函数发现问题的大量对比实验表明,本文算法在收敛速度、求解质量方面优于对比算法,具有明显的竞争力。     

基于多线程评估的基因表达式编程算法

分析了基因表达式编程(GEP)算法的性能关键,指出提升的一个重要瓶颈是在个体评估阶段;结合多核CPU并行计算能力,提出了基于多线程评估的GEP算法(MTEGEP),并通过实验验证了MTEGEP的高效性：在双核CPU环境下MTEGEP运算速度是传统GEP的1.89倍,而在8核CPU环境下达到了6.48倍。实验结果表明该算法能有效提升GEP算法的性能。     

基于动态种群的GEP函数挖掘算法研究

对样本数据进行函数挖掘是GEP研究的一个重要内容.传统的GEP算法往往容易陷入局部最优,为了解决这个问题,本文在动态种群生成策略的基础上,提出了基于动态种群的GEP函数挖掘算法(FMGEP-DP).实验表明,无论是在噪声数据不大的情况下,还是对于函数类型未知且复杂的数据,与传统的GEP和GP相比,FMGEP-DP的收敛速度要快,函数挖掘成功率要高.     

基于多层染色体基因表达式程序设计的混合遗传进化算法

提出了一种新的基于多层染色体基因表达式程序设计的混合遗传进化算法:M-GEP-GA。 该算法在基因表达式程序设计的基础上引入了多层染色体，并采用与遗传算法相嵌套的二级演化方法。利用染色体构建的层次调用模型对个体进行表达，用基因表达式程序设计方法优化模型结构,遗传算法优化模型参数。通过对三组数据测试,与用单基因GEP、多基因GEP的结果进行对比,实验表明改进的算法具有更强的寻优能力和更高的稳定性。     

基因表达式程序设计进行复杂函数参数识别

在介绍了基因表达式程序设计方法的基础上,采用基因表达式程序设计建立了复杂函数参数识别的模型,给出了算法结构与算法程序流程,并利用基因表达式程序设计方法进行未知函数拟合的实验,定义合适的终止条件,得到精确的预测结果.实验结果表明,此方法具有很高的预测精度,明显优于传统方法.最后指出该方法只需要提供足够的实验或实验数据,知道目标函数,就可以达到准确预测的目的,因而可以广泛应用于复杂函数拟合中,具有广阔的应用前景.     

基于动态适应度的基因表达式编程挖掘反函数*

为提高基因表达式编程(GEP)发现知识效率,提出并实现了基因表达式编程的动态适应度函数. 将逐步权重自适应(SAW)应用于基因表达式编程中适应度函数的动态调整;将线性N维向量函数引入作为适应度函数的组件,用于提高求适应度效率;通过挖掘反函数和方程求解的实验, 表明新方法比传统基因表达式编程所求得的反函数表达式的精确度有较大的优势,性能提高约8%.     

基于统计分析和停滞速度的GEP自动建模*

介绍了基因表达式程序设计的基本原理,并针对经典GEP算法存在的不足提出了一种基于统计分析和停滞速度的改进GEP算法——SACVGEP。其特点在于：用重复体统计的方法改进了初始种群的生成;提出停滞速度概念;引入了动态变异算子。最后,将该算法用于求解复杂函数自动建模并与传统方法、神经网络方法、经典GEP方法等进行比较。实验结果表明,用此方法建立的模型比传统方法、神经网络方法、经典GEP等方法具有更好的性能。     

基于改进的基因表达式编程的复杂函数建模

介绍了基因表达式程序设计方法的基本原理，针对求解复杂函数模型反问题中经典GEP算法多样性表现不足，甚至出现早熟的问题，提出了一种基于动态变异算子的改进的GEP算法——IGEP算法，从理论上对该改进算法进行了复杂度分析和收敛性分析。通过求解复杂函数模型反问题的多个实验将改进算法与传统方法、神经网络方法、经典GEP算法进行了对比，结果表明：该方法建立的复杂函数反问题拟合模型比经典GEP方法、传统方法、神经网络方法得到的模型更加优秀。     

一种基于GEP的分类规则挖掘算法

基于一种新的自动程序设计方法基因表达式程序设计（GEP），通过设计适应函数、初始化群体的优化、增加新的遗传算子以及采用演化策略中的（λ+μ）淘汰策略等对原始GEP算法进行有效的改进，设计出一种新的数据挖掘算法。采用UCI机器学习知识库中的数据集对该算法进行了实验，并通过与C4.5及文献[3]的比较，检验了该算法的准确性。     

基于GEP的双目视觉摄像机标定方法研究

摄像机标定是精密视觉测量的基础,传统的标定方法具有很多的缺陷。提出了一种新的双目视觉摄像机标定方法,通过引入基因表达式程序设计算法,挖掘其中潜在的坐标函数关系。将GEP标定方法与同类方案进行了比较,实验结果表明:新算法有效地提高了标定精度,加快了运算时间,具有较高的实用价值。