基于EMD和GEP的软件可靠性预测模型

基于经验模态分解和基因表达式编程算法提出了一种软件可靠性预测模型。通过对软件失效数据序列进行经验模态分解得到不同频段的本征模态分量和剩余分量,消除失效数据中的噪声,运用基因表达式编程算法的灵活表达能力,把分解得到的不同频段的各本征模态分量及剩余分量中所对应的不同失效时间序列作为样本来分别进行预测,重构各本征模态分量和剩余分量中相对应的预测结果,将其作为软件失效的最终预测值。基于两组真实软件失效数据集,将所提出的方法与基于支持向量回归机以及单纯使用基因表达式编程的软件可靠性预测模型进行比较分析。结果表明,该软件可靠性预测模型具有更为显著的模型拟合能力与精确的预测效果。     

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。     

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。     

基于禁忌GEP的分布式数据库查询优化算法

为了更好地解决分布式查询优化问题,论文在传统GEP算法的基础上,结合禁忌搜索策略,提出了基于禁忌GEP的分布式数据库查询优化算法（DistributeddatabasequeryoptimizationalgorithmbaseduponTabu-GEP,DDQO-TGEP）。仿真实验表明,随着查询关系个数的增加,DDQO-TGEP算法执行查询时所需要的查询优化时间和最优查询策略生成时间都比传统的GA和GP算法显著下降,其中查询优化时间最大下降约42．16％,最优查询策略生成时间最大下降约36．8％。     

基于GEP的最短避障路径问题的设计

提出一种基于GEP的最短避障路径问题的方法,着重从应用的角度讨论用GEP求解最短避障路径问题。该方法采用实数直接编码的方法,有明确的适应度函数,首先产生合法的初始路径种群,然后针对环境模型的特点设计了有效的路径遗传算子,达到路径规划中避障的要求,实际应用表明了该算法的有效性和可行性。     

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。     

基于Java程序设计的数据流模型

随着时代的发展,程序设计模型也在不断新旧完善,从当前的数据流模型的分析出发,结合其运行机理、内存模型、接口等方面,探讨了具有数据流特征的Java并行程序设计模型,阐述了数据流重要的多态语言特征,通过这些特征提出了对程序的运行有针对性的优化意见,从而达到提升程序性能的作用.     

基于能量和频繁模式的数据流预测查询算法

设计了数据流预测查询的新模型,包括局域流能量预测、能量分布模式挖掘及预测序列的重构和数据流能量的度量方法;设计了融合数据流能量回归与基于频繁模式的小波分解预测新方法,并将新算法推广到强偶合多数据流的预测查询;提出了最近最频繁序列模式的新概念,并应用于局域流能量分解;在真实数据上的模拟实验,验证了算法的有效性.     

数据流中一种适应性查询优化方法

对数据流中的查询处理机制进行了深入的研究,从内存使用量和查询的实时性两方面进行综合考虑,提出了一种基于多因素的动态查询优化及调度策略MultiFactor,它根据各操作符消耗系统中元组数量的快慢来动态调整操作符调度次序,按查询的截止时间来确定各操作符调度时间,同时提出了多流连接查询的调度方法。给出了Multi-Factor适应性优化的时机以及调整策略。     

数据流上的连续预测聚集查询

提出了一种数据流上未来值的连续查询,称为连续预测查询．采用数理统计的方法给出了带有COUNT聚集函数的连续预测聚集查询实现算法．通过采用TPC-H标准测试数据和随机生成的模拟数据进行了实验．理论和实验结果表明,给出的带有COUNT的连续预测聚集查询实现算法具有很高的性能和精度．     

一种新的基于数据流的数据模型

随着网络的发展和通讯设备的普及,一种新的数据密集型应用逐渐浮出水面,这主要包括:网络监控、电信数据管理、传感器数据监控等。在这些应用中数据采取的是多维的、连续的、快速的、随时间变化的流式数据的形式。同时,这些应用对数据的访问也是多次和连续的,并要求即时的响应,而传统的数据库技术对数据的假设和相应的查询处理技术已经无法适应这种新的应用的要求。因此,文中根据这种流式数据的特征设计了一种新的基于数据流的数据模型,并就今后如何进行数据流管理系统的研究提出一些新的看法。     

基于LCSS的数据流相似性查询处理算法研究

数据流相似性查询广泛应用于智能家居、环境监测等领域.当前以LCSS(longest common subsequence)作为相似性测度函数的研究并不多.NAIVE算法使用基本动态规划方法计算测度函数值,通过该值与相似阈值的比较得到查询结果,对基于LCSS的数据流相似性查询问题进行研究.针对NAIVE算法必须在动态规划矩阵所有成员取值的计算完成后才能得到查询结果的缺点,提出了一种基于PS(possible solution)-CC(column critical)域优化策略的数据流相似性查询处理算法.该算法划定了每个窗口上动态规划矩阵的PS域和CC域,很好地利用了这2个域中成员所具有的性质和相似性查询的特点,无须获得测度函数的最终值便可得到查询结果,省略了很多矩阵成员的计算.实验部分证明了该算法的有效性,与同类算法相比,在处理具有更高精度结果要求的查询时效果更好.     

用态势模型预测基因表达式编程的进化难度

在基因表达式编程(gene expression programming,简称GEP)中,由于不同问题得到的适应度-距离相关系数(fitness-distance correlation,简称FDC)值很相近,所以难以用FDC预测GEP求解不同问题的进化难度.为了解决该问题,提出了态势模型及其区间密度指标来预测GEP的进化难度.主要工作包括:(1)提出了GEP染色体之间的距离和态势模型的新概念;(2)提出了态势模型中的区间密度指标;(3)从动力学角度证明了态势模型是对GEP原搜索空间的一种映射,并且该映射保持了种群在原搜索空间中移动的动力学性质;(4)分析了用态势模型区间密度预测GEP进化难度的合理性;(5)用实验验证了区间密度能够准确预测GEP求解问题的进化难度.     

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.     

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.     

网络入侵检测的GEP规则提取算法研究

针对基于机器学习网络入侵检测存在的未知攻击检测率低、规则多而复杂导致检测效率不高等问题,提出了基于约束的基因表达式编程(GEP)规则提取算法(CGREA).用GEP模式表示入侵检测规则,定义了约束文法对规则个体进行约束,以满足规则的充分性和封闭性.CGREA算法限定GEP规则基因头部各类符号的随机选择数目比例.并采用精英策略以保证算法收敛性.用KDDCUP'99数据集对CGREA算法提取的入侵检测规则进行评估,总攻击检测率为91.36%,其中有3种未知攻击的检测率超过88%.结果表明,CGREA算法能在较小种群和有限代数内提取出简单而有效的规则,未知攻击检测率和检测性能也得到提高.     

一种事件驱动的数据流查询模型

分析数据流上事件的语义和特点,建立了事件驱动的数据流模型EQM.提出一种具有事件监控,事件定义和事件驱动功能的语言EQL,讨论了事件监控和事件驱动查询的优化算法以及相关的效率问题和实时性.实验表明,该模型在解决数据流上事件相关问题比现有的数据流模型和处理方法有着更好的性能.     

数据流查询计划的并行迁移策略

数据流中的查询计划需要不断进行适应性优化,针对该特征提出一种查询计划的并行迁移策略。该策略能确保在输出过程中不丢。失元组或产生冗余元组,维持正确的元组输出时序。实验结果证明,该策略可以使查询计划平滑过渡,避免迁移过程出现无元组输出的空自期,在系统资源紧张和数据流流速过大时,维持较少的中间元组数和较大输出速率。     

Energy Consumption Prediction of a CNC Machining Process With Incomplete Data

Energy consumption prediction of a CNC machining process is important for energy efficiency optimization strategies.To improve the generalization abilities,more and more parameters are acquired for energy prediction modeling.While the data collected from workshops may be incomplete because of misoperation,unstable network connections,and frequent transfers,etc.This work proposes a framework for energy modeling based on incomplete data to address this issue.First,some necessary preliminary operations are used for incomplete data sets.Then,missing values are estimated to generate a new complete data set based on generative adversarial imputation nets(GAIN).Next,the gene expression programming(GEP)algorithm is utilized to train the energy model based on the generated data sets.Finally,we test the predictive accuracy of the obtained model.Computational experiments are designed to investigate the performance of the proposed framework with different rates of missing data.Experimental results demonstrate that even when the missing data rate increases to 30%,the proposed framework can still make efficient predictions,with the corresponding RMSE and MAE 0.903 k J and 0.739 k J,respectively.