基于改进型基因表达式编程的神经网络优化设计

提出一种用基因表达式编程(GEP)自动设计神经网络的算法.针对标准GEP算法在优化神经网络过程中的早熟现象和变异率低问题,对算法进行了改进,并给出算法的具体应用实例.与其它优化算法的对比实验表明,GEP是一种有效的神经网络设计方法,并且改进的GEP算法比标准GEP算法进化效率高,将收敛率提高了37个百分点,收敛速度快,进化代数仅是标准算法的58%.     

改进的小生境混合遗传算法在函数优化上的应用

为了提高经典小生境遗传算法的收敛性能,加强局部寻优能力,设计了一种新的小生境混合遗传算法.通过判断算法的在线性能指标Xe(s),将模拟退火算法巧妙地融入算法的后期,并针对小生境遗传算法的特点选用格雷码编码,同时设计了自适应的遗传交叉算子.用一个Shubert多峰值函数对改进的算法进行验证,结果表明:新算法的收敛性能和进化效率得到提高,局部寻优能力也有加强.     

面向多模态函数优化的自适应小生境遗传算法

为了解决小生境遗传算法不能准确识别小生境的缺陷,以及算法无法有效平衡快速收敛和保持种群多样性的冲突问题,提出一种自适应小生境遗传算法.在算法中,设计一种改进的小生境识别方法来确定小生境范围,引入用于度量种群多样性的小生境熵概念,并利用小生境熵自适应调整进化参数的取值.同时,改进选择、交叉策略,在识别的小生境基础上将交叉分为境外交叉和境内交叉,用于提高算法的全局搜索能力和局部收敛速度.实验表明,算法对于解决多模态函数优化问题具有收敛速度快和计算量小等优点,能够有效避免遗传漂移现象.     

改进基因表达式编程在股票中的研究与应用

介绍了基因表达式编程方法的基本原理,针对股票指数分析与预测问题,在经典的GEP算法基础上,提出了一种基于动态变异算子的改进的GEP算法--IGEP(improved GEP)算法.动态变异算子随着进化代数和染色体所含基因数目不同而变化,从而加快了GEP的收敛速度和精确度.还对算法进行了复杂度和收敛性分析.最后设计了一种基于IGEP的股票指数分析与预测算法,数值实验结果表明该算法优越于经典GEP算法,非常有效且具有较广泛的通用性.     

基于改进的基因表达式编程的复杂函数建模

介绍了基因表达式程序设计方法的基本原理,针对求解复杂函数模型反问题中经典GEP算法多样性表现不足,甚至出现早熟的问题,提出了一种基于动态变异算子的改进的GEP算法——IGEP算法,从理论上对该改进算法进行了复杂度分析和收敛性分析。通过求解复杂函数模型反问题的多个实验将改进算法与传统方法、神经网络方法、经典GEP算法进行了对比,结果表明：该方法建立的复杂函数反问题拟合模型比经典GEP方法、传统方法、神经网络方法得到的模型更加优秀。     

面向多模态函数优化的改进小生境粒子群算法

为了保持群体多样性以增强全局搜索能力,小生境技术在遗传算法中得到了广泛应用.针对多模态函数优化问题,将小生境技术引入到粒子群算法中,建立小生境熵作为群体多样性的量化指标,实时考查进化过程中群体的多样性并调整进化参数;结合数论中的佳点理论,提出一种在解空间使用佳点搜索的群体多样性发掘方法,使得进化过程中群体多样性水平始终保持在设定的阈值之上,从而改善算法的全局搜索能力以期跳出局部最优;在此基础上提出一种旨在找出全部全局最优解和局部最优解的新型串行多群体小生境粒子群算法.数值实验表明,改进的小生境粒子群算法在求解多模态函数优化问题时具有较好的自适应性和收敛性.将算法应用于图像配准实验中,使得配准参数估计误差有明显降低.     

基于克隆选择和量子进化的GEP分类算法

基于基因表达式编程(GEP)的分类算法具有较高的精度,但易陷入局部最优,且搜索时间长.为进一步提高GEP分类算法的分类能力,提出了基于克隆选择和量子进化的GEP分类算法——ClonalQuantum—GEP.该算法通过量子种群的更新和探测影响抗体种群的搜索方向和进化能力,并通过记忆池保持最优解,使其具有更好的种群多样性、更强的全局寻优能力和更快的收敛速度.在几个标准数据集上的实验验证了算法的有效性.与基本的GEP算法相比,ClonalQuantum-GEP能以较小的种群规模和较少的进化代数获得较理想的分类效果.     

改进的MC_GEP算法与嘌呤骨架类Hsp90抗癌活性的定量结构活性关系研究

以35种嘌呤骨架类热休克蛋白90(Hsp90)化合物为研究对象,以文献[3]的8个变量构成自变量集,提出1种改进的MC_GEP算法对该类化合物抗癌活性pEC50做定量结构活性关系研究.按文献[3]对所有35种嘌呤类化合物建模,本文GEP模型与文献[3]的回归模型计算结果决定系数R2分别为0.821 4和0.738 0.进一步用七均值聚类算法将此35种化合物划分为训练集和预测集,分别采用改进的MC_GEP算法、v-SVM和ε-SVM算法基于训练集建模,本文建立的GEP模型训练和预测结果R2分别为0.808 0和0.745 5,而v-SVM和ε-SVM模型对预测集的预测结果R2分别为0.204 6和0.410 3,均低于0.5.研究表明,本文提出的改进MC GEP算法函数发现能力较强,建立的QSAR模型预测性能好.     

基于改进GEP和资源改变量的局部云任务调度算法

针对云计算中一些现有的基于批量调度模式和进化算法的动态云任务调度算法计算量较大,计算时间成本较高的现象,提出了一种基于改进基因表达式编程(GEP)和资源改变量的局部云任务调度算法.首先结合云任务调度的特点对普通GEP算法做出了相应的改进,然后采用加权求和的方式构造了一个基于综合利用率和能耗的适应度函数,最后依据物理机综合利用率的差异给出了基于改进GEP和资源改变量的局部云任务调度算法.基于资源改变量的局部云任务调度算法,通过对任务运行情况和物理资源使用情况进行监控,合理设定阈值,以减少参与调度物理机的个数,从而降低任务调度算法的时间成本.基于RH(rolling horizon)模型,通过实验将所提出的算法与普通遗传算法、全局GEP算法进行了比较,可知该算法不仅可以降低寻优时间,不易陷入局部最优解,且具有较快的收敛速度.     

基于统计分析和停滞速度的GEP自动建模*

介绍了基因表达式程序设计的基本原理,并针对经典GEP算法存在的不足提出了一种基于统计分析和停滞速度的改进GEP算法——SACVGEP。其特点在于：用重复体统计的方法改进了初始种群的生成;提出停滞速度概念;引入了动态变异算子。最后,将该算法用于求解复杂函数自动建模并与传统方法、神经网络方法、经典GEP方法等进行比较。实验结果表明,用此方法建立的模型比传统方法、神经网络方法、经典GEP等方法具有更好的性能。