基于GEP和GA技术的非线性系统辨识研究

给出了利用基因表达式编程（GEP）进行非线性系统辨识的方法,弥补了传统辨识方法需要过多预知信息的不足,有着比遗传编程（GP）更简洁有效的系统模型结构表达方式.利用改进的遗传算法（GA）并行地进行模型参数进化,可以在有限的给定数据内得到合适的模型.关于模型适应度的定义,综合考虑了精确性和复杂性因素,能够获取一种比较折中的辨识结果.仿真结果表明,这种方式可以快速、准确地获取非线性模型.     

我国各地区经济产出的演化建模

基因表达式编程（GEP）是一种基于基因组和表现型组的新型遗传算法。由于区域经济的投入与产出的映射关系的非线性、复杂性,本文基于GEP算法对对我国各地区的经济产出进行了演化建模,选取人力资本、固定资产和耕地面积作为经济投入要素,并选取各地区经济数据中的2/3作为训练样本,1/3数据进行预测,结果表明用GEP算法对经济产出建模得到的模型,除了对训练样本有较好的拟合精度之外,也具有较好的预测功能。     

基因表达式编程在多元数据预测模型中的应用

基因表达式编程OGEP）是一种基于基因组和表现型组的新遗传算法，是一种高度有效、稳定的随机搜索方法，能从大量的数据集中挖掘出未知的、有价值的函数模型。本文根据各种燃料成本与用电成本的实际数据，提出用基因表达式编程（GEP）对其预测，挖掘出它们的函数关系式，并和多元线性回归预测结果进行比较。实验结果发现，用GEP方法避免了事先确定变量之间函数关系的主观性、经验性、预估性，从而使预测效果更加客观、有效。     

网格服务中基于GEP的资源自学习选取算法

在网格服务中,为有效地在域内合理选取恰当的资源分配给“服务消费者”,提出了基于基因表达式编程(GEP)的网格资源自学习选取算法。算法通过采样网格资源历史分配情况进行合理评估与挖掘后,达到对网格资源分配失效、网格资源能力等进行预测,故解决了原传统算法因需要依赖专业知识,而使资源的选取和分配过程具有主观性和盲目性的问题。最后,通过实验对基于传统遗传算法的选取方式和基于GEP的算法的选取方式予以比较,表明该算法确有其优越性与实用性。     

基于GEP和神经网络的属性约简分类算法

分类(Classification)是数据挖掘(DataMining)中的一个重要研究方向,目前传统的方法有神经网络,Fisher判别法等。神经网络缺乏对分类结果的直观解释;Fisher判别对于大数据集分类准确率大大下降,且不具有属性约简能力。为此,该文做了如下工作(1)提出了自动获取最佳阈值的思想;(2)对于错分的实例,提出了运用神经网络分类器二次分类的思想;(3)提出了基于基因表达式编程和神经网络的属性约简分类算法(AttributionReductionClassificationAlgo-rithmsBasedonGEPandNeuralNetwork,ARCA-GEPNN);(4)实验表明,ARCA-GEPNN的分类精度比Fisher判别提高了约25%,比GEP提高了约21%。     

GEP在国内制药工程活动中的应用研究

根据制药工程活动的范围,GEP的关键属性及GEP与GxP之间的影响,结合国内制药行业新改扩建项目施工的管理特点,以及GEP在国外制药工程活动中的影响,对GEP在国内制药工程活动中的应用进行了研究。     

基于基因表达式编程的混合蚁群算法简

蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。针对此问题,本文提出了一种先用基因表达式编程生成信息素分布,再利用蚁群算法求优化解的新的混合算法。并通过求解复杂TSP问题的仿真数据实验验证了这种基于基因表达式编程的混合蚁群算法的高效性。     

Least cost generation expansion planning with wind power plant incorporating emission using Differential Evolution algorithm

Generation Expansion Planning (GEP) is a challenging problem as both the supply and the demand for energy have temporal and spatial variations. It also involves the integration of system elements with a complex mix of alternative candidate plants having different physical and production capabilities and characteristics. The integration of all such elements in a system framework makes the GEP a large-scale, long-term, non-linear, mixed-variable mathematical modeling problem. The accurate solution of such realistic models is essential to create an efficient and economic power system.The aim of this study is to determine the GEP for the candidate system, integrating all critical system elements leading to the formulation of a realistic mathematical system and the employment of GEP in the model solutions. It also demonstrates the effectiveness of DE algorithm in finding efficient solutions to the identified problem. The planning is carried out for two different planning horizons of 6 and 14 years. An approach, which is balanced, is adopted to understand the long term impact of wind additions by imposing Total Emission Reductions Constraints (TERC) and Emission Treatment Penalty Costs (ETPC) on the remaining portion of pollution. As the system is expected to get an increasing proportion of wind power plants in future, a special focus is given to study the impact of such increase. The resulting variations in different cost components including the emissions and the variations in reliability indices are also reported.     

基于GEP的金属矿尾矿坝变形预测模型研究

尾矿坝的变形监测是金属矿山企业生产管理极其重要的环节,针对目前尾矿坝变形预测模型存在不足的现状,论文采用了基因表达式编程（GEP）算法,以Eclipse 为开发工具,通过选择函数集和终止符集、种群初始化、染色体解码、适应度评估、遗传操作等过程,建立了基于GEP - Deep Excavation的尾矿坝变形预测模型,并对某金属矿山尾矿坝监测点位移数据进行了预测; 经与灰色GM（1,1）和BP 神经网络2 种模型试验对比分析,证实了基于GEP 的尾矿坝变形预测模型的可行性和有效性,从而为金属矿山尾矿坝的变形预测提供了一种新方法.      

基于统一计算设备架构和基因表达式编程的自动聚类算法

针对基于基因表达式编程(GEP)的自动聚类算法GEP-Cluster中聚类中心的筛选和聚合、计算数据对象到各聚类中心距离两个关键步骤效率不高的问题,提出了一种基于统一计算设备架构(CUDA)和GEP的自动聚类改进算法(CGEP-Cluster)。CGEP-Cluster算法采用基因阅读运算器方法对GEP-Cluster算法的聚类中心筛选和聚合步骤进行改进,并基于CUDA将GEP-Cluster算法中数据对象到各聚类中心距离的计算并行化。实验结果表明,在数据对象规模较大时,CGEP-Cluster算法可获得8倍左右的加速比。CGEP-Cluster算法可用于聚类数未知且数据对象规模较大情况下的自动聚类。