基于表现型的基因表达式编程解空间模型研究

基因表达式编程（gene expression programming,GEP）解空间模型理论对算法性能的改进有现实指导意义。公开文献对GEP解空间模型的研究较少,鲜见针对GEP表现型的理论研究。基于此,提出一种基于表现型的GEP解空间模型。首先,通过定义GEP染色体表现型高度,给出单基因染色体和多基因染色体表现型高度确定上界的定理及证明,利用GEP算法自身函数发现的能力,探索出操作符集最小目数为1或2的GEP染色体表现型高度上界计算的通项公式,以保证GEP表现型解空间模型的确定有界性与可计算性。其次,以GEP表现型高度的确定上界定理为基础,构建基于表现型的GEP解空间模型,总结GEP表现型解空间模型的性质和定理。通过进一步定义GEP表现型的完全解空间概念,对最优解在GEP表现型解空间和完全解空间中的分布特征进行探索研究,获知在完全解空间中最优解随子空间序号的增长呈大比例增加的分布特征。基于表现型空间模型知识,提出限制GEP种群搜索空间的基本思想与控制策略,利用模型知识合理地解释公开文献中多种GEP改进算法的有效性。     

基于基因表达式编程的复杂网络自动聚簇算法

在无先验知识的前提下,复杂网络聚簇需确定簇数并精确地将节点分配到其所属簇,而大部分传统聚簇方法无法自动确定簇数。为解决这一问题,结合GEP和信息论聚类框架,提出了复杂网络自动聚簇算法——AutoC-NC-GEP。算法为复杂网络聚簇建立了GEP结构模型,设计了有效的遗传算子,提出了"不完全聚簇划分"概念,并分别以Map Eqation和Modularity两种不同的网络社团结构量化函数为适应度函数,使用真实网络对算法的聚簇性能进行了测试。实验结果表明,在没有先验知识的前提下,AutoCNC-GEP算法不仅能正确解析网络的社团数量,还可以自动将节点精确地分配到其所属社团中,从而获得网络的最佳社团结构。     

基于基因表达式编程的智能模型库系统的实现

模型库是决策支持系统(DSS)的重要组成部分。传统的智能模型库系统对先验知识依赖性很强，难以实现真正意义上的智能化。针对这一弱点，提出了显式智能模型，隐式智能模型，显式模型基因的概念，给出了基于GEP的隐式智能模型(Implicit Intelligent Model，IIM)的挖掘算法(GEP—IIMA)，在此基础上实现智能模型库系统；研究了隐式智能模型库(IIMB)系统与GIS的接口技术。IIMB是真正意义的无先验知识的智能模型库，其模型的类型和参数的求解均由程序自己来实现。通过比较实验，系统所挖掘的函数模型比传统方法所得模型的精度提高了14．9％。     

基于基因表达式编程的递归函数挖掘

传统基因表达式编程(GEP)无法发现递归函数。为此,分析了传统GEP算法在函数挖掘方面不足的深层次原因,提出了基于递归染色体的基因表达式编程算法GEP-RecurMiner和动态进化策略(DSCMS)。理论分析和实验证明了GEP-RecurMiner极大地扩充了传统GEP函数挖掘方法的求解空间,能精确地发现传统GEP无法发现的递归函数,同时实验表明动态进化策略有效地提高了GEP-RecurMiner函数挖掘算法的效率,挖掘成功率提高20%,平均进化代数下降10%。     

利用数学高程模型生成地形三维仿真图

研究了以地面数字高程模型（ＤＥＭ）作为原始资料,采用透视变换和模拟光照的模拟算法,生成某一地区的三维实景图,实现地形仿真,给出了试验结果,试验表明这种方法可产生逼真的三维仿真图。     

基于基因表达式编程的Hammerstein模型的辨识

针对辨识Hammerstein模型的传统方法需假定系统结构或阶次,且过程复杂的问题,本文将基因表达式编程技术引入Hammerstein模型辨识,做了下列工作:①证明了Hammer-stein模型的渥尔特拉核,给出了系统稳定的充分必要条件;②形式化描述了结构体和参数体等新概念;③提出基于基因表达式编程的Hammerstein模型辨识的新方法(HMI-GEP),全自动地构造模型结构和决定参数。实验结果表明:该方法简单、有效,改善了辨识性能;模型结构采用不同的形式表达,参数估计的最低准确率约为93%。     

基于基因表达式编程的地面等待策略模型研究

针对地面等待策略,给出了问题的具体描述,建立了基于基因表达式编程的地面等待策略模型.该模型考虑了不同机型航班延误费用不同的重要经济因素,采用多基因家族对航班和时隙进行编码.同时,针对有后继任务的航班提出双胞基凶.结合实际空中交通管理约束,对普通基因和双胞基因分别没计了适应度函数.实验仿真中,将本文算法与RBS算法、二次自然增长延误箅法比较,在所有航班总延误费用较少的情况下,本文算法分配结果中有后继任务航班的总延误时间和总延误费用较RBS算法减少26%和32%,较二次自然增长算法减少了27%和31%,表明了模型和算法的有效性.     

基于基因表达式编程的进化模式定理

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,首先从理论上深入地研究了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.     

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。     

基于多样化进化策略的基因表达式编程算法

针对传统GEP（Gene Expression Programming）算法的未成熟收敛以及陷入局部最优问题,提出一种基于多样化进化策略的基因表达式编程算法（DS-GEP：Gene Expression Programming based on diversified develop-ment strategy）。该算法通过基因空间均匀分布策略,自适应地交叉和变异算子以及淘汰算子等方法,对种群给予不同的进化策略,以保持种群的多样性,从而增强算法的寻优能力。通过对函数挖掘的实验证明,多样化进化策略各个部分均对改善挖掘效率发挥了作用,提高了DS-GEP函数挖掘算法的成功率。与传统GEP算法相比较,该算法的平均成功进化代数缩短了11%,成功进化时间缩短了8%,进化成功率提高了20%。     

基因表达式编程在空间插值中的应用

空间内插是地理信息系统数据处理的常用方法之一.常用的空间插值方法存在难于客观地确定插值函数结构和参数的问题.基因表达式编程(GEP)是一种新型的遗传算法,具有极强的函数发现能力和很高的效率,并且在函数发现时不需要任何先验知识.将基因表达式编程技术应用到空间插值方法中,提出了移动拟合GEP算法(MF-GEP),无需预存函...     

基因表达式编程在问卷分析中的应用

介绍了基于基因表达式编程(Gene Expression Programming,GEP)的知识发现技术的基本概念及特色.对重庆市596名大学生的睡眠质量和睡眠卫生意识现状的调查数据,用GEP进行了训练及评估.实验结果显示,基于基因表达式编程的评估方法准确率与问卷标准评分得出的结果基本一致,不但简化了计算过程,而且能提供参数间的函数关系.     

基于多表达式基因编程的复杂函数挖掘算法

传统的基因表达式编程(Gene Expression Programming) 挖掘复杂函数时,存在进化辈数过大、无法跳出局部最优解等问题,提出了基于多表达式基因编程的遗传进化算法,提高GEP的全局寻优能力, 提出了一种新的多表达式基因编程的遗传进化算法(Multi Expression Gene Programming, MEGP),建立了同一染色体内基因多层次编码、解码模型,理论上分析并比较了MEGP算法的表达空间复杂性,实现了多表达染色体遗传进化算法和染色体适应度评价算法.实验表明, 在解决函数挖掘问题中, MEGP成功率是传统GEP的2～4倍.     

基于基因表达式编程的多目标优化算法

目前的多目标优化进化算法在高维的决策空间中收敛性能不佳,针对这个问题,提出了基于基因表达式编程的多目标优化算法GEPMO,主要工作包括：提出了新的个体编码方案,分离了值基因和位置基因;设计了新的算子;分析了GEPMO的编码空间;提出了GEPMO的框架。在标准测试函数上的实验结果表明了新算法的有效性,在高维决策空间中GEPMO能够覆盖SPEA算法的结果集87.5%,但SPEA覆盖GEPMO仅为5%。     

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%。     

基于基因表达式编程的自动聚类方法

为了解决聚类算法不能自动聚类的问题,提出并实现了自动聚类算法GEP-Cluster算法。主要工作包括:1)研究了基于GEP进化的最优簇划分;2)提出了自动合并簇算法Auto Merge Cluster Algorithm;3)实现了不需预知簇个数的聚类;4)在合成数据集上的实验表明,采用GEP-Cluster算法在未知簇划分信息的情况下可对数据集自动进行聚类分析,聚类成功率达到96%。     

基因表达式编程及其在混凝土徐变分析中应用

混凝土徐变分析在混凝土结构应力计算和变形分析中有着重要意义。由于影响混凝土徐变的因素较多,徐变函数呈现高度非线性,传统回归方法难以取得令人满意结果。基因表达式程序设计方法,吸取了遗传算法和基因编程两者的优点,在解决非线性拟合问题方面表现出非凡的数据挖掘能力与优势。在基因表达式编程理论分析基础上,利用该方法建立了混凝土徐变函数知识挖掘模型。实例表明,该模型比常规方法得到的函数有更高的精度。     

基于内嵌基因表达式编程的函数优化

基因表达式编程(GEP)算法在解码时常存在未表达的基因内区,在解决函数优化问题时存在缺陷,使得对简单函数的优化性能不如遗传算法(GA),而对复杂函数优化收敛速度较慢.为了改善基因表达效率和提高优化性能,做了下到工作:提出了新的基因解码方法,形成了内嵌基因表达式编程算法EGEP;设计了适合优化问题的个体编码方案;分析了个体的表达空间.实验表明,EGEP对简单函数优化的性能优于传统遗传算法;EGEP提高了对复杂函数的优化能力,即使在运行辈数降低200倍时,得到的性能仍然优于传统GEP和遗传算法.