基因表达式程序设计在信息系统建模预测中的应用

基因表达式程序设计(GEP)是一种基于基因组和表现型组的新型遗传算法,该算法具有很好的健壮性和高效性采用基因表达式的方法进行演化建模,实例测试的结果表明使用基因表达式程序设计的方法得到的模型要优于普通的线性回归方法和传统的遗传程序设计方法得到的模型,提高了拟合和预测精度。     

改进的基因表达式程序设计实现复杂函数的自动建模

基因表达式程序设计(简称GEP)是一种新型的遗传算法,它继承了遗传程序设计(简称GP)和遗传算法的优点并且具有更高的效率和更强的搜索能力,但同时也存在缺乏学习机制,搜索过于盲目的缺点,针对其缺点对其进行了如下改进:(1)改变了GEP的基因表达式结构,将原来的“头+尾”结构改成了“头+身+尾”结构,以利于其引进学习机制;(2)同源基因也采用“头+身+尾”结构,以利于增强其搜索能力;用其实现复杂函数的自动建模,实例测试的结果表明用改进的基因表达式程序设计得到的模型比传统方法得到的模型要好,甚至优于用遗传程序设计和基本的基因表达式程序设计得到的模型。     

基因表达式程序设计进行复杂函数参数识别

在介绍了基因表达式程序设计方法的基础上,采用基因表达式程序设计建立了复杂函数参数识别的模型,给出了算法结构与算法程序流程,并利用基因表达式程序设计方法进行未知函数拟合的实验,定义合适的终止条件,得到精确的预测结果.实验结果表明,此方法具有很高的预测精度,明显优于传统方法.最后指出该方法只需要提供足够的实验或实验数据,知道目标函数,就可以达到准确预测的目的,因而可以广泛应用于复杂函数拟合中,具有广阔的应用前景.     

基于多层染色体基因表达式程序设计的混合遗传进化算法

提出了一种新的基于多层染色体基因表达式程序设计的混合遗传进化算法:M-GEP-GA。 该算法在基因表达式程序设计的基础上引入了多层染色体,并采用与遗传算法相嵌套的二级演化方法。利用染色体构建的层次调用模型对个体进行表达,用基因表达式程序设计方法优化模型结构,遗传算法优化模型参数。通过对三组数据测试,与用单基因GEP、多基因GEP的结果进行对比,实验表明改进的算法具有更强的寻优能力和更高的稳定性。     

基因评估基因表达式程序设计方法

基因表达式程序设计(Gene Expression Programming,简称GEP)与遗传程序设计(Genetic Programming,简称GP)相比,具有更强的搜索能力、更简单的编码表示方法和产生更高复杂性函数的能力.但是它也存在一些缺点,例如缺乏学习机制,搜索过于盲目.针对这一缺点,本文提出了一种新的自动程序设计方法:基因评估基因表达式程序设计(Gene Estimated Gene Expression Programming,简称GEGEP).与GEP相比,GEGEP主要具有如下特点:(1)改变了GEP的基因表达式结构,将原来的“头 尾”结构改成了“头 身 尾”结构,以利于其引进学习机制;(2)同源基因也采用“头 身 尾”结构,以利于增强其搜索能力;(3)引入了分布评估算法(Estimation of Distribution Algorithm,简称EDA)的思想,以利于增加其学习能力并且加快其收敛速度.实验结果表明,与GEP和GP相比,GEGEP具有更高的拟合和预测精度、更快的收敛速度.     

基于克隆选择原理的基因表达式程序设计

提出了一种基于免疫克隆选择算法的基因表达式程序设计混合算法(CS-GEP).基因表达式程序设计(GEP)是一种新近提出的遗传程序设计方法,已逐渐成为演化计算新的分支.GEP最为重要的优点在于其具有很强的表达能力,而如何充分利用GEP易操作的特点,提高GEP的群体搜索能力是研究较少的一个重要内容.CS-GEP方法借鉴免疫克隆选择原理重新设计了一种克隆选择学习策略替代原GEP算法的遗传算法搜索策略,数值实验结果表明,CS-GEP较GEP具有更好的问题求解能力.     

基于EDA的并行基因表达式程序设计方法

将分布评估算法(EDA)引入基因表达式程序设计方法中,以提高其收敛速度。为减少计算时间,提高解质量,在加入EDA的基因表达式程序设计方法的基础上设计了同步和异步分布式并行算法,同时比较了同步和异步并行算法。实验结果表明,并行算法提高了运行速度和解质量。最后通过实验分析了迁移代频对并行算法的影响。     

优化的GEP算法在爆破振动预测中的应用

结合主成分分析和基因表达式编程,提出了一种基于PCA的优化基因表达式编程的新算法,并将其应用在爆破振动峰值速度和主频率的预测。该算法首先利用主成份分析方法对影响爆破振动的参数进行预处理,有效地减少预测模型的输入量,消除输入数据间的相关性,而后通过基因表达式程序设计建立爆破振动预测模型。结果表明,基于PCA的优化基因表达式编程算法比BP神经网络等其他算法得到的结果具有更高的预测精度和稳定性。     

一类基因表达式程序设计的若干收敛定理及其推广

基因表达式编程算法(或称基因表达式程序设计)的基因型/表现型双实体为之带来许多不同于传统演化算法的优势,但建立其Markov模型时,我们须在两者之间作出权衡.为简化遗传算子概率结构的分析,本文以基因型空间为搜索空间,研究一类GEP在宽松条件下的收敛性.首先,针对由基因型-表现型映射所致的多峰适应值函数,重构带精英保留策略的GEP的Markov链模型转移矩阵.然后,通过建立依概率收敛速度的精确表达式、估计其上界,证明了算法依均值收敛、几乎必然收敛甚至完全收敛至全局最优值.与之前的严格假设下的若干结论相比,本文的模型更匹配算法的特性,收敛性结论更强且最优状态子集更小.另外,上述精确表达式也可以推广至自适应演化算法.     

程序理解研究与进展

随着社会对软件需求的不断增长,正在使用和开发的软件与日俱增,许多大型复杂的软件已投放市场。同时,由于各种各样的新型程序设计方法的兴起,如逻辑式程序设计方法,函数式程序设计方法,对象式程序设计方法,分布式程序设计方法,并行式程序设计方法等等,致使目前社会上的软件产品种类繁多.结构各异。因此,软件维护问题已成为当前软件产业面临的重要课题。首先,由于还未研制出实际可用的软件确认技术,软件投入使用后修改错误不可避免;其次,软件所处的环境和用户的要求经常