多输入多输出系统的数据分层建模

为了高效准确地实现多输入多输出系统的数据建模,本文提出了数据分层建模算法.将多输入多输出数据建模问题分解为一系列单输入多输出的建模问题,同时改进标准遗传编程算法,将单树表示的的个体结构扩展为向量树的进化个体,实现多输出系统的自动建模.通过大量的计算实例表明,这种算法可以实现复杂的多输入多输出系统的建模,提高数据建模的效率和精度.     

遗传编程的Matlab语言实现

引入堆栈技术,采用后缀表达式使遗传编程的树型结构易于转换为线性序列,并解决了初始个体生成算法、杂交算子操作、表达式个体求值等问题,使遗传编程不再依赖于专用编程语言和指针操作,能够方便地用Matlab语言实现。     

基因表达式编程在软件可靠性建模中的应用

基因表达式编程是一种基于遗传算法和遗传编程的新型机器学习技术,其具有更为优秀的数据挖掘能力,已被成功应用于函数发现领域。提出一种基于基因表达式编程的非参软件可靠性建模方法,该方法将基因表达式编程算法中的若干关键步骤(如初始种群函数集、适应度函数、终止条件等)与软件可靠性建模的若干重要特征相融合,在失效数据集上进行训练,从而获得基于基因表达式编程算法的非参软件可靠性模型。在若干组真实失效数据集上,将所提出的模型与若干典型的基于人工神经网络以及遗传编程的非参软件可靠性模型进行对比实例研究。实例结果表明,基因表达式编程算法的非参软件可靠性模型具有更为显著的模型拟合与预计性能。     

采用改进的混合遗传算法求解高校排课问题

为了解决一个存在大量合班现象的高校排课问题,建立了相应的数学模型并采用改进的混合遗传算法进行了求解。在产生初始种群的过程中进行了乱序处理,以提高初始种群中个体的多样性,避免早熟收敛现象的发生;为了防止种群的退化,引入了保留最优个体策略和竞争机制;根据问题的特点设计了与之相适应的遗传算子;为了提高种群进化的效率,交叉概率和变异概率都使用了自适应参数;为了提高算法的局部搜索能力,在交叉操作阶段采用了模拟退火算法。通过Matlab与Access混合编程,实现了对大规模数据的高效处理。实例结果表明,该算法能够有效地解决存在合班现象的高校排课问题。     

基于遗传算法的预测规则发现研究

如何发现有趣的(令人惊讶的、新颖的)知识是数据挖掘算法研究中的一个挑战。将遗传算法用于在依赖建模任务中发现有趣的规则，讨论了个体表示、遗传算子和适应度函数等应如何改变以满足从数据中挖掘高级知识的特定要求，给出了实例及运行结果，并与已有的成果做了简单的比较。     

M-GEP:基于多层染色体基因表达式编程的遗传进化算法

该文提出了一种新的基于多层染色体基因表达式编程的遗传进化算法M—GEP,新算法引入了多层染色体的概念,利用染色体构建的层次调用模型对个体进行表达,在解决实际函数发现、电路进化等实际问题中取得了良好效果．该文主要贡献包括：（1）提出了基于多染色体的基因表达式编程算法（M-GEP）;（2）建立了不同染色体的层次调用模型及存储结构;（3）提出并实现了基于染色体的重组算子和基因随机重组算子．对多基因GEP和单基因GEP的对比实验结果表明,平均进化辈数仅为后者的29％～81％．     

基于小生境免疫遗传算法的硅钢片优化排样

提出一种基于小生境免疫遗传算法的多级序列优化方法,并解决硅钢片优化排样问题。以免疫算法为基础,通过遗传算法进化抗体群,利用小生境技术保持抗体群的多样性。遗传算子和免疫记忆策略加快了优良个体的产生,提高了算法的收敛速度。共享机制和克隆抑制策略提高了算法的全局搜索能力,有效地避免早熟收敛现象。实际生产数据排样结果表明,该算法是有效、可行的。     

基于状态图测试的迁移路径生成方法

计算机软件在军用装备中所占比重越来越大,软件质量的好坏决定着装备质量的高低,而软件测试则是提高软件质量的重要手段。UML状态图是一种广泛用于基于模型测试的建模方法,迁移覆盖是其中重要的测试覆盖准则。状态图中迁移之间的依赖关系会使得迁移路径不能按照输入序列来执行,从而导致覆盖率的下降,影响测试效果。为此,提出了一种改进的分组遗传算法来实现可执行迁移路径的自动生成,该算法通过合理设计编码方式和适应度函数来解决问题。算法在遗传操作中引入自适应的交叉和变异算子以及模拟退火机制来提高求解速度,加入修补算子对个体长度进行限制。实验结果表明,该方法能够在缩小遗传种群规模和减少遗传代数的基础上提高迁移覆盖率。     

面向算法的遗传算法类库设计

遗传算法个体数据结构复杂,随机性是其基本特性。建立一个标准的、开放的遗传算法类库有利于遗传算法的直接应用和在此基础上进一步扩充。本文提出用面向算法的模式将多种数据结构的遗传算法(二进制编码、实型编码、有序编码、变长串编码、遗传程序设计编码等五种算法)统一建模,实现了数据和算法分离,静态数据和动态数据分离,群体和个体分离。这样的类库设计结构更加清晰,实现了易用性、可扩充性与易调试性的统一,可用于对线性规划、旅行推销员问题、数据回归等问题的求解。     

LO型曲线的自适应遗传算法研究

标准的遗传算法在设置交叉算子和变异算子时使用固定的值,这样在求解复杂的优化问题时会存在解的多样性差和早熟的缺点。传统的自适应算法在收敛速度和解的多样性上是有效的,但是在算子调整的过程中,对算法演化过程中不同阶段的侧重不够(搜索空间、搜索精度、优秀模式的保存及进化动力),这样会使算法的收敛速度变慢并且减少优良解的多样性。提出一种改进的自适应调整算法来提高收敛速度及优良解的多样性,用Logistics曲线按照个体的适应度对交叉和变异算子的大小进行非线性调整,使得算子在演化的过程中满足不同阶段对搜索空间和搜索精度的要求。通过实验验证,新算法在收敛速度、稳定性及优良解的多样性上比传统的自适应遗传算法有优势。     

一种自调整的进化规划算法

针对进化规划算法收敛速度慢和早熟收敛的缺点,将改进的随机搜索方法和进化规划算法相结合,提出了一种自调整的进化规划算法。在该算法中,使用高斯变异算子对个体进行变异,利用改进的随机搜索方法对个体变异进行自调整,提升了个体向适应度高的方向进化的能力,提高了个体间的多样性差异,从而改善算法的性能。对该算法性能进行典型算例的数字仿真证明该算法具有良好的性能。     

Regularization approach to inductive genetic programming

This paper presents an approach to regularization of inductive genetic programming tuned for learning polynomials. The objective is to achieve optimal evolutionary performance when searching high-order multivariate polynomials represented as tree structures. We show how to improve the genetic programming of polynomials by balancing its statistical bias with its variance. Bias reduction is achieved by employing a set of basis polynomials in the tree nodes for better agreement with the examples. Since this often leads to over-fitting, such tendencies are counteracted by decreasing the variance through regularization of the fitness function. We demonstrate that this balance facilitates the search as well as enables discovery of parsimonious, accurate, and predictive polynomials. The experimental results given show that this regularization approach outperforms traditional genetic programming on benchmark data mining and practical time-series prediction tasks     

Dynamic subset selection based on a fitness case topology

A large training set of fitness cases can critically slow down genetic programming, if no appropriate subset selection method is applied. Such a method allows an individual to be evaluated on a smaller subset of fitness cases. In this paper we suggest a new subset selection method that takes the problem structure into account, while being problem independent at the same time. In order to achieve this, information about the problem structure is acquired during evolutionary search by creating a topology (relationship) on the set of fitness cases. The topology is induced by individuals of the evolving population. This is done by increasing the strength of the relation between two fitness cases, if an individual of the population is able to solve both of them. Our new topology-based subset selection method chooses a subset, such that fitness cases in this subset are as distantly related as is possible with respect to the induced topology. We compare topology-based selection of fitness cases with dynamic subset selection and stochastic subset sampling on four different problems. On average, runs with topology-based selection show faster progress than the others.     

Evolutionary Modeling of Systems of Ordinary Differential Equations with Genetic Programming

This paper describes an approach to the evolutionary modeling problem of ordinary differential equations including systems of ordinary differential equations and higher-order differential equations. Hybrid evolutionary modeling algorithms are presented to implement the automatic modeling of one- and multi-dimensional dynamic systems respectively. The main idea of the method is to embed a genetic algorithm in genetic programming where the latter is employed to discover and optimize the structure of a model, while the former is employed to optimize its parameters. A number of practical examples are used to demonstrate the effectiveness of the approach. Experimental results show that the algorithm has some advantages over most available modeling methods.     

基于GP病虫害预测预报中适应性函数的研究

适应性函数是遗传算法和遗传程序设计得以实现的复制及群体整体性的质量.在GP程序过程中在常见适应性函数的基础上加以优化和调整,最后通过实例验证了优化调整后的适应性函数在病虫害预测预报中的准确度有了一定的提高.     

Genetic programming: where meaning emerges from program code

Program behavior results from the interactions of instructions with data. In genetic programming, a substantial part of that behavior is not explicitly rewarded by fitness function, and thus emergent. This includes the intermediate memory states traversed by the executing programs. We argue that the potentially useful intermediate states can be detected and used to make evolutionary search more effective.     

基于进化个体适应值灰度的自适应交互式遗传算法

为将交互式遗传算法成功应用于复杂优化问题,有必要提高交互式遗传算法的性能。提出基于进化个体适应值灰度的交互式遗传算法,该算法采用灰度衡量进化个体的适应值评价不确定性;通过适应值区间的分析,提取反映进化种群分布的信息;基于此,给出了进化个体的交叉和变异概率。将该算法应用于服装进化设计系统,结果表明该算法在每代可以获取更多的满意解。     

求解GTSP问题的自适应遗传算法

利用传统遗传算法的基本思想,针对GTSP问题,提出了一种改进的自适应遗传算法。通过个体编码方法,将GTSP转化为多段图最短路径问题,采用动态规划算法求解;根据多段图最优子结构性质设计了个体适应度评价函数,加快了算法的运行速度。实验测试的结果表明,新算法比传统的遗传算法具有更快的收敛速度和更优的解质量。