基于均匀设计的基因表达式编程算法研究

提出了一种基于均匀设计的基因表达式编程的进化算法(Uniform-Design Genetic Expression Programming,简称UGEP),新算法借助均匀设计的全局均匀分散性对初始种群的产生和杂交算子进行了改进,分别设计了基于混合水平均匀表的初始种群构造法和自适应的多亲杂交均匀算子.理论分析证明UGEP具有全局收敛性,且收敛速度也优于经典的GEP.在解决函数拟合、时间序列预测等实际问题中与同类算法进行了比较,在各项实验指标上均体现出了新算法的优越性.     

基于病毒进化机制的基因表达式编程算法研究

结合病毒进化机制,提出一种基因表达式编程算法来解决函数拟合和序列预测等数值优化问题.该算法通过构造新的病毒更新和感染机制,有效加速种群的进化并避免早熟收敛的发生.性能分析和实验结果表明:与传统的基因表达式编程算法相比,本文算法无论在解的质量上还是在收敛速度上都要更好.最后还将本文算法应用于图像定标的实际工程中,取得较好计算效果,具有较大实用价值.     

基于GEP算法的高阶常微分方程预测模型

针对动态系统预测建模中建模效率低,无显式模型的缺陷。提出一种基于基因表达式编程（GEP）的高阶常微分方程预测模型（GEP-HODE）。将一维数据的变化特性使用高阶微分进行表示,通过GEP对高阶微分数据进行建模,得到显式模型。对高阶常微分方程模型进行降阶处理,使用数值方法进行求解,得到预测值。该方法利用了GEP算法“基因型-表现型”的编码特性,实现了模型建立与参数优化的同步,大幅度提升建模效率。以太阳黑子年平均数作为实验数据建模预测,结果表明,该方法相比GP混合建模方法有更高的效率,相比混合BP神经网络模型等方法有更好的精度。     

基于属性约简的GEP洪灾灾情预测算法

洪灾灾情预测是预防和了解洪灾的重要手段.为了解决传统的洪灾灾情预测算法的不足,提出基于折半查找的最优属性约简算法(OAR-BSA),最大限度地降低影响洪灾灾情数据的因素,并在此基础上,结合基因表达式编程的概念,给出了基于属性约简的GEP洪灾灾情预测算法(FFGEP-AR).仿真实验表明,OAR-BSA算法求解最优约简比传统的算法要快,FFGEP-AR算法比传统预测算法的平均耗时要小,预测的准确率要高.     

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GEP的高速公路通行费预测方法研究

高速公路通行费未来收入状况的预测对于高速公路运营管理、建设规划有着重要的指导意义。然而,通行费收入水平的变化受到多方面因素的影响,具有较强的非线性和复杂性,传统预测模型无法准确表达通行费收入的发展规律。本文针对复杂的高速公路通行费预测问题,建立了基于基因表达式编程算法(GEP)的高速公路通行费预测模型。该模型利用GEP算法建立通行费当前收入与历史数据之间复杂的函数关系,准确地刻画通行费收入随时间的发展规律。此外,针对节假日期间通行费减免政策的影响,提出了有效的修正模型。最后,本文采集了浙江沪杭甬高速公路股份有限公司等12家公司通行费收入的历史数据进行仿真实验,对比传统的ARIMA以及神经网络预测模型,结果充分验证了本文算法的有效性和准确性。     

一种新型的GEP算法及应用研究

提出一种适合于GEP表达式树构造的新方法,以及相应的新解码方法(GPED).通过实验对比,GPED可大大缩短演化时间.提出一种新的算法GPEP,将GPEP应用于碎石桩复合地基承载力预测,结果表明GPEP算法在预测精度和演化效率上均超过遗传神经网络、GP等算法.     

GEP的研究综述

基因表达式编程是一种新的遗传算法,已经在多个领域中表现出优越的性能.文章介绍了基因表达式编程的基本原理、特点和研究现状.     

基于IP和GEP算法的股票预测

采用免疫算法和基于基因表达式编程的混合算法建立了股票指数预测模型。实验结果显示,该模型能够以相当高的精度预测股票指数。     

基于小生境的GEP新算法

为了克服传统基因表达式编程在演化后期容易丢失群体多样性的缺陷,避免出现早熟收敛,提出基于小生境的基因表达式编程新算法.将相同适应值的个体组成一个小生境,如果相同适应值的个体数量超过小生境容量x,则将超出的个体放入演化池中进行重新初始化.实验结果表明,使用这种基于小生境的基因表达式编程新算法能在整个演化过程中保持丰富的群体多样性,并能够更有效地避免算法的早熟收敛,更准确地求出问题的最优解.     

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。     

一种遗传模糊聚类算法及其应用

研究一种基于遗传算法的模糊聚类方法,即将遗传算法得到的聚类中心作为模糊C-均值（FCM）聚类算法初值,这样既可以克服FCM算法对初始中心敏感的缺点,也可以解决遗传算法只能找到近似解的问题。将算法用于通信信号的星座聚类,根据聚类有效性函数自适应地确定聚类中心,并完成信号类型的识别。仿真实验证明,当存在较小的定时误差时,算法对PSK和QAM信号仍然是有效的。     

基于基因表达式编程的ISODATA模糊聚类算法

针对ISODATA算法需要人为给定分类数,对初始聚类中心较为敏感,没有显示出自动聚类效果等不足,结合基因表达式编程(GEP)嵌套构成迭代自组织模糊聚类进行优化计算。该方法不仅能在不需要先验知识的条件下对数据进行自动聚类,而且充分利用了GEP算法的全局寻优能力及ISODATA算法的软性分类特性,提高了算法的收敛速度和聚类精度。通过仿真验证及对比分析,运用到地理信息系统(GIS)物流选址实际问题中,得到了理想聚类效果。     

改进的基于层次距离的基因表达式编程特征选择分类算法

针对一般特征选择算法未能揭示数据特征与数据类别之间的可解释性映射关系的问题,在基因表达式编程(GEP)的基础上,通过引入初始化方法、变异策略以及适应度评价方法,提出了一种改进的基于层次距离的GEP特征选择分类算法(FSLDGEP).首先,利用定义的选择概率有导向地初始化种群个体,从而增加种群中有效个体的数量;其次,定义...     

基于遗传算法的机场滑行调度优化策略

提出一种基于遗传算法的滑行调度优化策略。该策略首先用遗传算法确定各航班经过交叉点的顺序,再根据上一步得到的顺序求解具体的调度计划,并反复迭代以逐渐优化,直到得到最优解或满意解。相对于混合整数线性规划（MILP）模型而言,有效地提高了求解效率,减少了求解时间。     

基于遗传算法的模糊聚类研究及其应用

为了克服传统聚类算法对初始化敏感的缺点，提出了一种基于增强型遗传算法的模糊聚类方法。它把遗传结束的准则与传统算法的终止准则有机地结合起来，不仅提高了算法的聚类分析性能，也提高了算法的收敛速度。比盲目的搜索效率要高，也比专门的针对特定问题的算法通用性强。通过在国内一家大型乳业集团的HRM系统中的成功运用，说明了该算法的有效性和通用性。     

基于基因表达式编程算法的复杂网络社区结构划分

由于复杂网络的不确定性,传统的复杂网络社区结构划分算法易造成过早收敛,使精度降低,且由于计算量大,时间复杂度较高。为克服以上不足,利用基因表达式编程(GEP)的自适应性和全局搜索能力强以及具有并行性计算等特点,优化网络社区结构的划分,提出了一种基于GEP的复杂网络社区结构划分算法,并通过实验验证了新算法的有效性。新算法在无先验信息情况下,可较准确地完成对复杂网络的社区划分。     

基于基因表达式编程的信用评估模型挖掘方法

提出了一种基于基因表达式编程(GEP)的信用评估模型挖掘方法GEP-CREDIT。该方法基于客户信贷数据,利用GEP算法自动进行属性筛选,并进行属性融合,在此基础上训练和建立信用评估模型。在德国信用数据库真实数据集上做的实验和性能分析表明,基于GEP的信用评估模型挖掘方法较Nave Bayes算法的预测精度提高了3%;较SVM算法的预测精度提高了1.6%;较KNN(K=17)算法的预测精度提高了6.83%。