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的非线性系统辨识算法

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,本文提出了一种基于GEP的非线性系统辨识算法。针对非线性系统的特点,本文基于GEP建模作了如下工作:在对象的结构和参数未知的情况下,首先进行参数恒定时的系统辨识,然后进行运行期间非线性环节参数发生变化时的辨识。实验结果表明该算法能够更加迅速的得出非线性部分直观近似的数学表达式,比用遗传编程(GP)优越两个数量级以上,是一种有效可行的算法。     

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。     

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GEP方法的数据流预测模型

传统的预测建模方法有曲线拟合、线性回归分析等,这些方法通常只适用于求解结构简单的多项式函数。该文采用基因表达式程序设计方法,该算法简便、易于遗传操作,并且其搜索空间广阔,函数复杂度高,能广泛适用于各种类型的数据流预测。在此基础上,提出当预测模型失效时的大变异策略,收到了很好的效果。     

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.     

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.     

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.     

一种基于GEP的演化硬件复杂电路优化算法

演化硬件是近年来新兴的研究热点,它是演化算法和可编程逻辑器件相结合而形成的硬件设计新方法。在演化硬件中门电路的优化设计是一个重要的研究领域。提出一种新的基于基因表达式程序设计（GEP）的算法来进行复杂优化电路的设计,通过仿真实验表明,该算法不仅收敛速度快,而且还能利用该算法优化大规模的门电路,克服了传统优化方法的求解速度慢甚至不收敛等缺点。该算法较传统的电路优化方法更简单、更高效。     

基于GEP的多因子曲线拟合

本文融合了基于数据点拟合的公式发现和因式分解技术,提出并实现了基于基因表达式编程(Gene Expression Programming ,GEP)的多因子曲线拟合MFF（Multiple Factor Fitting）。利用MFF算法能够直接由客观数据挖掘出多个多项式乘积形式的函数关系公式以拟合原始数据集所表示的曲线。MFF中采用了有特色的概率相关系数对GEP中的适应度函数进行优化,使得精度提高了27%。同时采用阈值递减序列TDQ（Threshold Degression Queue）使得GEP成功率比传统技术提高了最大58倍。     

基于转基因GEP的公式发现

在传统基因表达式编程(GEP)挖掘知识的过程中,用户只能被动等待程序连续进化若干代之后给出的结果,因此难以有效干预进化过程、质量和速度。为解决这一问题,把生物工程转基因思想引入到基于GEP的函数挖掘中,获得了一系列成果。综述了基于转基因技术的GEP研究进展,包括基因注入,转基因过程和进化干预等,通过自然选择与人工选择的融合,在一定程度上引导进化向着人们预期的方向进行。     

一种新型GEP解码方法

基因表达式编程（Gene Expression Programming）是进化算法的最新成果。它继承了遗传算法（GA）编码简单与遗传程序设计（GP）有巨大空间搜索能力的优点。提出一种新的GEP解码方法：GEP的非物理树解码算法。其在不影响原算法其他性质的情况下极大地提高了传统解码算法的运行速度,在一定程度上解决了GEP进化过程中表达式树（Expression Tree,ET）建立和释放消耗巨大时空资源的瓶颈。     

基于GEP的路径覆盖测试用例生成方法

提出一种基于基因表达式编程(GEP)算法、编译器技术、虚拟机技术的路径覆盖测试用例生成方法。该方法使用编译器技术获得程序的静态控制流路径集合,针对集合中的每一条静态控制流路径,使用GEP算法生成覆盖特定路径的测试用例,采用虚拟机完成结果计算,其中有效的结果即所需的测试用例。实验结果证明,该方法能高效、准确地得到覆盖特定控制流路径的测试用例。     

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GEP的遥感数字图像模糊聚类研究

针对遥感信息的不确定性和混合像元问题,分析FCM算法。为了避免FCM初值选取不当而陷入局部最优,提出基于基因表达式编程的遥感数字图像模糊聚类算法。该算法可以利用外层GEP算法的全局寻优能力,确定最佳初始聚类中心,再利用内层FCM算法的模糊聚类和局部快速收敛的特性获得遥感数字图像的最优聚类。     

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%。     

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...     

基于混合差异度控制的基因表达式编程

基因表达式编程(GEP)是一种进化算法,存在局部极小问题,解决此问题的一般方法是保持进化过程中种群的差异度。为了保证进化过程中种群的差异度,文中提出一种融合种群空间和样本空间的种群差异度度量方法。并基于此融合种群差异度度量方法,提出差异控制的GEP进化算法。同时在初始种群生成时,针对GEP结构的特殊性,将敌手理论应用于GEP种群初始化。实验结果表明文中算法能较有效避免过早陷入局部极小。