动态系统的演化建模

针对采用传统方法解决动态系统的微分方程建模问题所遇到的困难和存在的不足,语文中设计了将遗传程序设计与遗传算法和相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,成功地实现了动态系统的常微分方程组建模过程自动化。     

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,     

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。     

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。     

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。     

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。     

基于协同进化遗传算法的模型拟合研究

普通遗传进化算法在解决模型拟合问题中,建模与优化顺序结构时优化效果有限、拟合速度慢、稳定性低。针对上述问题,提出基于协同进化遗传算法的模型拟合算法。该算法将建模与优化问题抽象成多种群间协同进化,通过种群间整体的适应度值交换,将种群关联起来,扩大智能算法建模过程中参数优化的时空作用范围。各种群间含有不同基因表达,在解决局部问题时具有自包含性,有利于更好地发挥各智能算法(遗传算法、遗传规划)的优势。实验结果表明,该算法的稳定性和收敛速度优于传统遗传进化算法。     

锂离子电池放电寿命的演化自适应建模

采用基于遗传程序设计思想的演化自适应建模算法建立了锂离子电池放电寿命模型，结果表明，该算法收敛速度快，１次可获得多个精确度较高的模型，模型经验验后的结果与实际情况能很好地符合，该真法具有较强的通用性，可快速有效地解决了广泛领域内的自动建模问题。     

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.     

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.     

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.     

一种线性表示的遗传程序设计方法研究

遗传程序设计领域中的一个重要研究内容是如何有效地表示进化的个体（计算机程序），对采用树的线性后缀形式的个体进行位置信息编码以实现多种形式的遗传操作，并给出形式化定义，设计并实现了一个基于栈的遗传程序设计算法，通过模拟实验比较了各操作的性能，这种编码方式可以扩展到程序的线性结构中，以实现特定的遗传操作，显示出线性表示具有适于解决不同问题的可行性和灵活性，还给出了基于串的一点交叉的线性遗传程序设计的模式理论，它可以把标准遗传算法的模式生成机制统一到该理论框架中。     

Inference of differential equation models by genetic programming

This paper describes an evolutionary method for identifying a causal model from the observed time-series data. We use a system of ordinary differential equations (ODEs) as the causal model. This approach is known to be useful for practical applications, e.g., bioinformatics, chemical reaction models, control theory, etc. To explore the search space more effectively in the course of evolution, the right-hand sides of ODEs are inferred by genetic programming (GP) and the least mean square (LMS) method is used along with the ordinary GP. We apply our method to several target tasks and empirically show how successfully GP infers the systems of ODEs. We also describe an extension of the approach to the inference of differential equation systems with transcendental functions.     

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。