深度优先的多基因表达式程序设计

基因表达式程序设计(GEP)是应用十分广泛的自动程序设计方法.就解码方法而言,它主要依据广度优先原则来实施从个体表示到表达式的转换.这代表基因片段的含义会因环境的变化而变化.为此,现有GEP对个体的评估缺乏并发支持能力.本文从理论与实验两个方面证实:深度优先原则及个体多解技术,即让单个染色体编码多个解的技术,既可解决以上GEP困境也可显著改善其性能.     

基于多表达式编程的分类算法研究

多表达式编程是一种基因可复用的线性遗传程序设计方法,目前已应用于许多数据挖掘问题,但在分类问题中的研究还比较少.针对多表达式编程的编码特点并结合现有分类方法,提出一种新的分美算法.该算法将分类规则蕴含于多表达式编程的染色体内,并按照适者生存的原则对分类规则进行演化挖掘.实验表明该算法具有可行性,能够达到较高分类精度.     

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.     

多表达式编程的函数发现问题研究

函数发现问题是数据挖掘研究领域的重要任务之一,研究了基于多表达式编程的函数发现问题,多表达式编程是进化算法最新研究热点。介绍了多表达式编程的主要思想,包括基因结构,遗传算子设计,以及基本算法流程等,阐明了基于多表达式编程挖掘函数关系的适应度函数设计方法。实验研究了多表达式编程挖掘函数关系,结果表明,多表达式编程基因编码效率高,空间利用率高,函数发现的能力强。     

开放尾部的基因表达式程序设计

基因表达式程序设计（GEP）的染色体由具有特殊限制的头、尾组成,并要求尾部符号严格取自基本的终端集。这一做法作用明了、易于表述,基本为现有GEP所采纳,但不利于语义计算的重用。谋求突破尾部限制条件,探究一种开放尾部的新型GEP算法。该算法将运行过程产生的优良个体动态地引入种群个体的基因,从而实现运算精度的提升。符号回归实验表明,开放尾部的GEP算法在平均精度性能上要优于主流GEP方法。     

自动程序设计的研究

自动程序设计是计算机科学的中心目标之一,围绕中心目标进行研究是计算机科学工作者的责任。采用一种形式化方法,即演化计算(EvolutionaryComputation)理论,特别是其中的遗传程序设计(GeneticProgramming,简称GP)的理论,深刻研究了自动程序设计的概念和遗传算法。基于该方法的自动程序设计能够模拟生物进化的机制来适应外界环境,并获得最佳解,从而使得自动程序设计获得较好效果。     

程序设计方法的演化及极限

20世纪80年代,结构化程序设计(Structure Programming,SP)是主要的程序设计方法。然而,随着应用程序日趋复杂化和大型化,传统的软件开发技术难以满足发展的新要求。20世纪80年代后,面向对象的程序设计(Object Orient Programming,OOP)技术日趋成熟并逐渐地为计算机界所理解和接受。面向对象技术之所以会受到广泛的重视,主要是因为它的思想接近于客观世界的实际和符合人们通常的思维。到目前为止,O O技术得到了最广泛的应用,并且也被证明不是软件开发的“银弹”。从Robert Martin到BertrandMeyer,研究者们把OO的能力和局限摸了个一清…     

线性遗传程序设计比较分析

遗传程序设计是近几年各专家学者研究的热点之一。主要论述了6种线性遗传程序设计的原理,比较分析了各线性遗传程序设计的共同点和差异性,简单介绍了各遗传程序设计的应用领域,总结了针对不同的问题采用相应的遗传程序设计的方法。     

基因表达式编程的理论研究综述*

对新兴的基因表达式编程算法在国内外的理论研究现状进行了系统的研究,剖析了GEP的基本原理和特点,并对国内外关于GEP理论和算法的研究现状进行系统的讨论,最后根据笔者的见解探讨了未来研究的重点方向。     

进化计算简要综述

介绍进化计算的起源与发展历史、进化计算的特点与分类、进化计算有关研究与应用现状、进化计算有关软件与国际信息交流等方面的基本情况。     

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。     

基于遗传规划的行为模型精化方法

行为模型的精化是软件工程中的基于模型驱动开发的关键问题.基于针对环境的形式化行为模型和形式化方法中的精化理论,提出了一种基于遗传规划的行为模型的自动精化方法.该方法将精化看作可执行的基本操作的组合过程.首先通过分析抽象行为的后置条件公式,执行基于逻辑归约的精化方法,从而生成循环结构和其他简单新行为的描述.然后利用基于遗传规划的精化方法对新行为继续精化,直到产生的程序最终由基本操作构成.由于传统的遗传规划方法对选择结构难以演化,提出了组合终止条件的概念.通过测试组合终止条件,选择结构也能较好的产生.最后以排序问题为例,给出实际的演化过程,结果说明该方法具有较强的可行性.事实上该方法适用于任何由若干基本操作组合以完成复杂操作的问题求解过程.     

SGA、GP、GEP的研究概述

结合三种典型的遗传算法:SGA、GP、GEP。介绍了遗传算法的研究状况以及目前的研究进展,概述了它的基本算法、主要特点、理论与技术、同时介绍了三种算法的主要应用领域。     

基于重叠表达的多基因进化算法

受生物基因片段重叠表达现象的启发,文中提出了一种新的基于重叠表达进化算法--MEOE(Multigene Evolutionary algorithm based on Overlapped Expression).文章具体描述了MEOE的基因表达结构及相应的算法.不同于已有的工作,在MEOE中作为遗传物质的基因具有重复表达的概率,同时算法融合了免疫算法关于浓度的计算技术.文章对MEOE算法作了较为全面的分析,讨论了算法在表达空间、可表达性、性状遗传上的特点,并与传统算法作了相应比较.详尽的实验证明,MEOE算法在速度上是GEP的2.5～9.4倍.在高次函数发现问题上MEOE算法的成功率比GEP提高至少一个数量级.另外,通过实验证明了基于密度的概率选择函数在高次函数发现问题上具有一定优势.     

Discovering Multiple Diagnostic Rules from Coronary Heart Disease Database using Automatically Defined Groups

Much of the research on extracting rules from a large amount of data has focused on the extraction of a general rule that covers as many data as possible. In the field of health care, where people’s lives are at stake, it is necessary to diagnose appropriately without overlooking the small number of patients who show different symptoms. Thus, the exceptional rules for rare cases are also important. From such a viewpoint, multiple rules, each of which covers a part of the data, are needed for covering all data. In this paper, we describe the extraction of such multiple rules, each of which is expressed by a tree structural program. We consider a multi-agent approach to be effective for this purpose. Each agent has a rule that covers a part of the data set, and multiple rules which cover all data are extracted by multi-agent cooperation. In order to realize this approach, we propose a new method for rule extraction using Automatically Defined Groups (ADG). The ADG, which is based on Genetic Programming, is an evolutionary optimization method of multi-agent systems. By using this method, we can acquire both the number of necessary rules and the tree structural programs which represent these respective rules. We applied this method to a database used in the machine learning field and showed its effectiveness. Moreover, we applied this method to medical data and developed a diagnostic system for coronary heart diseases     

遗传算法综述*

遗传算法来源于进化论和群体遗传学,是计算智能的重要组成部分,正受到众多学科的高度重视。本文系统综述了遗传算法的发展历程,理论研究和应用研究,并进行了分析和评价。