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.     

基于改进郊狼优化算法的浅层神经进化方法研究

神经进化作为一种不同于随机梯度下降的神经网络训练方法,现已成为机器学习研究领域的一个重要分支.如何设计更好的进化策略,探索新型神经网络权值的神经进化方法是当前研究的热点问题之一.本文提出了一种基于改进郊狼优化算法的浅层神经网络进化方法.该方法首先通过引入自适应影响权重因子与选择性的混沌扰动执行机制分别从收敛速度和寻优能力两个方面对传统郊狼优化算法进行了改进.其次,以改进郊狼优化算法为神经进化策略,融入到浅层神经网络的神经进化过程,并以BP神经网络为例,构建了一种全新的BP神经网络权值、阈值优化更新方法.最后,文中采用UCI标准数据库中几组代表性数据验证了算法的有效性.实验结果表明:改进郊狼优化算法的进化策略充分发挥了启发式优化算法在BP神经网络参数空间中的全局寻优能力,能够快速逼近最优解,经过神经进化后的BP神经网络在分类任务中表现出了优异性能,充分验证了改进郊狼优化算法作为一种新型神经进化策略的可行性和有效性.本文研究成果丰富并拓展了神经进化领域的研究内容,为构建以神经进化为主体的新型机器学习工具箱提供了重要的参考依据.     

改进基因表达式编程在股票中的研究与应用

介绍了基因表达式编程方法的基本原理,针对股票指数分析与预测问题,在经典的GEP算法基础上,提出了一种基于动态变异算子的改进的GEP算法--IGEP(improved GEP)算法.动态变异算子随着进化代数和染色体所含基因数目不同而变化,从而加快了GEP的收敛速度和精确度.还对算法进行了复杂度和收敛性分析.最后设计了一种基于IGEP的股票指数分析与预测算法,数值实验结果表明该算法优越于经典GEP算法,非常有效且具有较广泛的通用性.     

基于改进基因表达式程序设计的股票指数预测

介绍基因表达式程序设计方法的基本原理,针对股票指数分析与预测问题,在经典的GEP算法基础上,提出一种基于动态变异算子的改进的GEP算法——IGEP算法,动态变异算子随着进化代数和染色体所含基因数目不同而变化,从而加快了GEP的收敛速度和精确度,对算法进行了复杂度和收敛性分析。设计一种基于IGEP的股票指数分析与预测算法,数值实验结果表明,该算法优于经典GEP算法,具有较广泛的通用性。     

进化神经网络在机床工具损耗预测中的应用

设计了一个基于实数编码的改进进化算法优化神经网络的连接权和网络结构.该算法 可以根据种群停止进化代数自适应调节变异率、根据个体适应度调节变异量.加工实验表明采用 进化神经网络可以较准确预测出电火花铣削加工工具损耗,所提出的进化算法是有效的,预测结 果较标准BP神经网络高.该预测模型为电火花铣削加工工具在线自动补偿打下基础.     

基于协同进化基因表达式编程的函数发现研究

基因表达式编程（GEP）算法是一种具有强大函数发现能力的新型进化算法。GEP在函数发现时如何确定合适的数值常量对算法的性能具有很大影响。提出了一种基于协同进化基因表达式编程的函数发现算法（GEP-DE）,该算法的最大改进在于一种新的常量优化方法：在每一代中将函数发现的过程分为两个阶段：第一阶段,由标准GEP算法结合固定常量集确定函数结构;第二阶段,使用差分进化算法（DE）对第一阶段得出的函数结构的常量进行优化。实验结果表明,GEP-DE算法比重要文献中的常量处理方法其效果有较大提升,并且算法的综合性能也优于最新重要文献提出的GEP算法。     

改进差分进化算法优化BP神经网络用于入侵检测

为解决BP神经网络应用于入侵检测时检测率较低、训练时间过长的问题,对改进差分进化算法(SAMDE)优化BP神经网络并用于入侵检测的可行性进行研究。该算法引入模拟退火算法(SA)和一种融合DE/rand/1与DE/best/1的变异算子对差分进化算法进行改进以提高其全局寻优能力。用改进后的算法优化BP神经网络权值阈值。通过逐次的迭代训练使BP神经网络收敛,将优化过的BP神经网络用于入侵检测。仿真实验结果显示,优化的BP网络在收敛速度和精度方面有明显提升,用于入侵检测时提高了检测准确率,缩短了训练时间。     

基于条件云的基因表达式编程算法

标准基因表达式编程算法(GEP)在挖掘知识时采用恒定的变异和交叉率,没有考虑进化中个体适应度的变化,依然存在难以摆脱局部最优和收敛速度问题.为了解决这一问题,提出了将X条件云模型应用到基因表达式编程的算法(XCC-GEP).该算法在进化前期采用固定变异率和交叉率;一旦处于收敛状态时,根据个体的当前适应度,借助X条件云,动态调整其变异率和交叉率,以跳出早熟收敛.实验表明了算法的有效性.     

改进的萤火虫算法在神经网络中的应用

基本萤火虫算法存在容易陷入局部最优及收敛速度低的问题,提出了一种改进进化机制的萤火虫算法（IEMFA）。在群体进化过程中赋予萤火虫改进的位置移动策略,并利用改进后的萤火虫算法来优化传统BP神经网络的网络参数。测试结果表明,基于改进萤火虫算法的BP神经网络具有更好的收敛速度和精度。     

基于均匀设计的GEP算法研究与应用

提出了一种基于均匀设计的基因表达式编程算法(UGEP)，该算法对经典的GEP算法做了以下改进：利用混合水平均匀表的构造对初始种群的产生进行改进，保证了解分布的均匀性；引入自适应多亲杂交算子，用均匀优化代替随机进化。从理论上分析并证明了UGEP更具有全局收敛性，且收敛速度也优于经典的GEP。试验结果也证明，在求解函数拟合和时间序列预测等实际问题时，对比同类算法，UGEP算法体现出了较大的优越性。