多样性制导分段进化的基因表达式编程

为了解决基于传统基因表达式编程（GEP）的函数挖掘及其改进算法仍然存在局部优化的缺陷这一问题,提出了以基因组多样性制导的分阶段进化挖掘算法DGGEP。给出了GEP 进化阶段和基因组多样性评估模式的定义;提出了描述进化阶段的进化因子概念和分阶段进化策略;采用动态遗传算子设计和群体规模控制方法,使进化更快速跳出局部最优。实验表明了新算法的有效性,能减少进化停滞代数65％以上,使群体的平均适应度提高12%以上。     

基因表达式编程在函数挖掘中的应用研究

基因表达式编程（GEP）是一种基于基因型和表现型的新的自适应演化算法,为克服GEP在保持种群多样性和保护最优解方面的缺陷,对经典GEP进行了改进,提出了一种基于头、身、尾三段结构和自适应变异算子的改进的基因表达式算法（GEP-FM）,并从理论上对算法的复杂度和收敛性进行了分析;同时将GEP—FM算法应用于函数挖掘．多个数值实验结果表明：该方法挖掘的模型优于传统算法及经典GEP算法,具有更高的拟合度和预测精度,     

种群多样性的GEP算法在预测中的研究和应用

针对传统的基因表达式编程(Gene Expression Programming,GEP)算法在函数发掘时容易陷入过早收敛和局部最优问题,提出了一种基于种群多样性的GEP(GEP based on population diversity,PD-GEP)算法。该算法提出了简单云改进GEP策略,利用简单云改进了常数创建方法,并设计了云变异算子和云交叉算子动态调整其变异和交叉概率,以保证种群的多样性。同时提出了种群的有效交叉策略,引入新个体更新种群,避免早熟收敛,提高进化效率。最后将其应用于工程实例中,并将其结果与传统GEP算法结果进行比较。研究结果表明:该算法提高了预测精度和收敛速率,具有更好的收敛性。     

基因表达式编程ORF过滤算子的设计和实现

基因表达式编程(GEP)的个体代表了问题的候选解。在缺乏先验知识的情况下,个体长度的设定是个"两难"问题,过长或过短都会降低GEP的效率。对此,分析了个体长度对GEP求解效率的影响;设计了开放阅读框(ORF)过滤算子根据最优个体的进化历程动态调节个体的有效编码区域;验证了ORF过滤算子的有效性,实验结果表明,在同样的进化代数内,引入ORF过滤算子,GEP能进化出更高适应度的最优解且减少平均运行时间17.0%。     

基于小生境基因表达式编程的多模函数优化

为了解决传统基因表达式编程(GEP)无法发现多模函数的所有最优解的问题,将小生境概念引入到基因表达式编程中。分析了传统GEP算法在多模函数优化方面的不足,提出了小生境半径的自适应调整策略AMNR,提出了基于小生境基因表达式编程的多模函数优化算法NGEP-MFO。扩展了传统GEP的应用领域,实验表明,相对于传统GEP,NGEP-MFO能大幅提高发现所有最优解的成功率和判定最优解的准确度。     

基于多目标并行基因表达式编程的电路演化算法

为提高数字电路演化的效率和成功率,在并行基因表达式编程的基础上,对电路设计中涉及的多个目标进行了定义与量化,并针对这些目标提出基于多目标并行基因表达式编程的电路演化算法(MPGEP).主要工作包括:1)设计演化电路中的GEP编码;2)利用OpenMP设计基于通用多核处理器的并行基因表达式编程模型;3)定义和量化电路演化的多个目标,利用非支配排序和适应度共享策略来提高搜索方向的空间均匀性;4)通过数字电路演化实验证明,与传统的GP和GEP算法相比,MPGEP算法不仅进化时间减少了86.1%和31.4%,同时还能得到更简单和实用的电路,得到最优电路比率提高了50.4%和38.9%;与多目标串行电路演化算法MGEP相比,MPGEP算法的进化时间减少了48.7%;与并行电路演化算法PGEP-MC相比,MPGEP算法得到最优电路的比率提高了38.3%.     

基于多目标基因表达式编程的电路演化算法

为提高电路演化的效率和成功率,对电路设计中涉及的多个目标进行了定义与量化,并针对多目标优化问题,在基因表达式编程（GEP：Gene Expression Programming）的基础上,提出了基于多目标基因表达式编程的电路演化算法（MGEP：Multi-Objective Gene Expression Programming）。设计了演化电路中的GEP编码,定义和量化了电路演化的多个目标,利用非支配排序和适应度共享策略提高搜索方向的空间均匀性。通过数字电路演化实验证明,MGEP算法与GP算法相比进化时间减少了72．9％,同时得到的电路更简单实用,得到最优电路的比率分别比GP和传统的GEP提高了50．4％和38．9％。     

一种基于并行GEP的复杂电路优化算法

数字电路设计的优化是演化硬件中的研究热点,传统的优化方法主要是利用代数法和卡诺图求解法,但是在规模较大时却难于求出或无法求出最优的电路结构.提出一种新的基于并行基因表达式程序设计优化复杂数字电路的算法(COPGEP),该算法通过各子种群之间优良个体的迁移,有效地传播优良个体,充分发挥了优良个体的导向作用,提高了传统GEP的全局寻优能力以及求解精度和收敛速度.通过仿真实验表明,该算法比传统GEP收敛速度更快,能够克服传统GEP算法在优化变量个数多于5个的数字逻辑电路时收敛速度慢,甚至不收敛等缺点.     

引入变异算子的粒子群优化算法

粒子群优化算法是求解函数优化问题的一种新的进化算法,然而它在求解高维函数时容易陷入局部最优。为了克服这个缺点,文中提出了一种引入变异算子的粒子群优化算法,即每次粒子更新后对种群最优位置随机选取其中一维进行变异操作,以增强算法跳出局部最优的能力。通过对5个基准函数的仿真实验,结果表明了新算法的有效性。     

基于基因表达式编程的进化计算模式定理

基因表达式编程（GEP）从提出迄今尚无完整的理论体系,严重阻碍了GEP的发展。为解决该问题,本文从理论上深入的研究了GEP计算模型：定义了GEP基因模式及相关的概念,采用概率办法详细分析了单基因GEP应用实例在进化过程中各算子的作用,根据分析结果推导出GEP模式定理,通过详细的实验验证了GEP模式定理的正确性。GEP模式定理的提出,为GEP算法改进评估提供了量化的依据。