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。     

基于病毒进化机制的基因表达式编程算法研究

结合病毒进化机制,提出一种基因表达式编程算法来解决函数拟合和序列预测等数值优化问题.该算法通过构造新的病毒更新和感染机制,有效加速种群的进化并避免早熟收敛的发生.性能分析和实验结果表明:与传统的基因表达式编程算法相比,本文算法无论在解的质量上还是在收敛速度上都要更好.最后还将本文算法应用于图像定标的实际工程中,取得较好计算效果,具有较大实用价值.     

基于协同进化基因表达式编程的函数发现研究

基因表达式编程（GEP）算法是一种具有强大函数发现能力的新型进化算法。GEP在函数发现时如何确定合适的数值常量对算法的性能具有很大影响。提出了一种基于协同进化基因表达式编程的函数发现算法（GEP-DE）,该算法的最大改进在于一种新的常量优化方法：在每一代中将函数发现的过程分为两个阶段：第一阶段,由标准GEP算法结合固定常量集确定函数结构;第二阶段,使用差分进化算法（DE）对第一阶段得出的函数结构的常量进行优化。实验结果表明,GEP-DE算法比重要文献中的常量处理方法其效果有较大提升,并且算法的综合性能也优于最新重要文献提出的GEP算法。     

基于基因表达式编程挖掘中医方证关系

为解决中医方-证关系的函数挖掘的特殊困难，提出了基于基因表达式编程的新方法。针对中医学方证数据的特点提出结构简单、高效，占用空间少的主次分离指针编码。提出基于罚函数的单方适应度值计算和基于相似度的中医学症状组平均相似度函数，实现了基于基因表达式的方证关系函数发现算法MRAGEP,获得了一个方证函数，不但有很好的精度， 而且符合中医主次证原理，可解释性好。实验证明了算法的正确性和有效性，正确率达到了62.5％。     

基于基因表达式编程的知识发现的三项新技术--转基因,重叠基因表达和回溯进化

介绍了在研发基于基因表达式编程(GEP)的知识发现的三项新技术,包括:(a)转基因技术,通过注入转基因,引导进化方向,控制知识发现过程;(b)重叠基因表达,借鉴生物基因片段重叠表达,引入重叠基因概念,节约了表达空间;(c)回溯进化,借鉴生物“返祖现象”,引入回溯检查点概念和可回溯GEP算法、设计了等比递增检查点序列和加速递增检查点序列,约束回溯过程。实验表明,三项技术在一定的场合下分别提高了知识发现的性能1至2个数量级。     

小生境基因表达式编程在函数发现的研究

提出一种基于小生境的GEP改进算法,将改进k-均值的聚类分析与遗传机制相结合,通过调节最小聚类距离,控制收敛的小生境数目,以提高算法跳出局部最优的能力.将改进算法应用在函数发现问题中并与基本GEP算法结果进行对比,实验表明改进算法具有更高的精度和更强的寻优能力.     

改进的多表达式编程算法在函数发现中的应用

为了提高多表达式编程算法的效率,研究了MEP基本算法的适应度函数、杂交策略和变异策略,对其进行了优化,提出了一种改进的MEP算法.改进的MEP算法采用归一化的均方根差作为适应度函数,采用概率区间来选择杂交算子,并使变异概率在进化过程中随着进化代数和适应值的变化进行动态调整.最后将改进的MEP算法应用于函数发现问题中,对算法的效率进行了验证.实验结果表明,与MEP基本算法相比,改进的MEP算法能够更快速地找到目标函数,算法的效率得到了提高.     

基于基因表达式编程的频繁函数集挖掘

函数挖掘旨在从观测数据中发现有效的函数关系,传统的函数挖掘以发现单个函数为挖掘目标,难以处理复杂数据集．为解决上述问题,作者做了如下工作：（1）提出了描述能力更强的频繁函数集FFS概念;（2）提出并实现了基于基因表达式编程的频繁函数集挖掘算法FFSM（3）在GEP中采用了精度阈值队列策略PTQ,有效地提高了FFSM的成功率;（4）用实验证实了FFS更强的描述能力和PTQ的有效性,其中,在挖掘高精度复杂函数时PTQ使FFSM的成功率提高了55倍．     

基于差分进化基因表达式编程的全局函数优化

为了提高基因表达式编程(Gene Expression Programming,GEP)在函数优化时的效率,将差分进化(Differ-ential Evolution,DE)引入到GEP中,提出了基于差分进化的基因表达式编程的全局优化算法DEGEPO.主要工作包括:(1)针对全局函数优化问题,根据GEP和DE的特点设计了新的基因编码;(2)设计了新的变异和交叉算子;(3)提出了DEGEPO算法并进行了算法分析;(4)实验验证了算法的有效性.相对于传统GEP,DEGEPO,优化结果精度平均提高了2～4个数量级.     

基于混合选择和动态变异的基因表达式编程

基因表达式编程（GEP）是一种基于基因型和表现型的新型遗传算法,目前被广泛应用在函数发现、时间序列预测和分类等领域。传统GEP算法采用轮盘赌方式来选择种群个体,其择优强度过大,易导致个体多样性减弱,产生“近亲繁殖”;种群个体的变异概率固定,变异幅度不能动态地适应每代的进化结果,影响进化效率。针对上述两个缺陷,本文对传统GEP做出两点改进：作者采用混合选择策略,以维持进化过程中个体的多样性,避免“近亲繁殖”;引入动态变异思想,使种群在进化过程中能根据自身适应性的高低来动态调整个体的变异概率,以最大限度地保留高适应度基因片段,消除低适应度基因片段。通过实验,本文验证了两项改进的有效性。     

快速演化算法及其在函数优化中的应用

提出一种新的快速演化算法,并把它运用于函数优化问题的求解中.新算法的特征是引入一种基于高斯变异.Cauchy变异以及Lévy变异的混合自适应变异算子,采用多父体搜索策略,提出随机排序选择策略.通过23个标准测试函数进行测试,结果表明,新算法在21个测试函数中的结果比FEP和EP好,具有稳定、高效和快速等特点.     

基因表达式编程的LFC方法及其应用

介绍了基因表达式编程的基本原理,提出了具有线性复杂度的个体适应度评估方法(LFC),并且在遗传操作中采用自适应代沟替代策略,解决了标准GEP算法在求解复杂问题时时空效率低的问题。仿真表明,与标准GEP算法相比,该算法在不损失解的质量的情况下,求解效率得到明显改善。     

多细胞基因表达式编程的函数优化算法

针对处理复杂的函数优化问题时传统演化算法易出现收敛性能不佳、搜索冗长和精度不高等问题,提出了一种基于多细胞基因表达式编程的函数优化新算法.该算法引入了同源基因和细胞系统思想,设计了相应新的个体编码方案、种群生成和遗传操作策略.通过对8个Benchmarks函数的对比实验,验证了该算法具有很强的全局寻优能力、较佳的收敛性能和更高的解精度.     

Solving symbolic regression problems with uniform design-aided gene expression programming

Gene Expression Programming (GEP) significantly surpasses traditional evolutionary approaches to solving symbolic regression problems. However, existing GEP algorithms still suffer from premature convergence and slow evolution in anaphase. Aiming at these pitfalls, we designed a novel evolutionary algorithm, namely Uniform Design-Aided Gene Expression Programming (UGEP). UGEP uses (1) a mixed-level uniform table for generating initial population and (2) multiparent crossover operators by taking advantages of the dispersibility of uniform design. In addition to a theoretic analysis, we compared UGEP to existing GEP variants via a number of experiments in dealing with symbolic regression problems including function fitting and chaotic time series prediction. Experimental results indicate that UGEP excels in terms of both the capability of achieving the global optimum and the convergence speed in solving symbolic regression problems.     

分布式整数规划及其在航线扰动问题的应用

在航空公司的运作中时常会出现干扰它正常运作的现象。在这种情况下,航空公司必须马上制定航线修复计划使受到干扰的航线尽快复原,以防止更大面积的航班取消和航班延误。提出一种基于递增映射迭代方法的分布式整数规划算法来解决由于机场关闭引起的航线扰动问题。整个问题分成了两个子问题：可行航线的生成和飞机的重指派。第一个子问题的问题空间被初始点分割方法分割成了若干片段。然后在一个分布式的计算网络中使用递增映射迭代方法在分得的每个片段上同时求解第一个子问题。得到的可行航线用来求解第二个子问题。最后的算例结果可以发现提出的方法要好于CPLEX和多目标基因算法。     

一种改进的演化算法及其在求解复杂优化问题中的应用*

针对传统演化算法在求解函数优化,特别是多峰函数优化问题中出现的早熟现象以及演化后期收敛速度慢等问题,提出了一种新的反序小生境演化算法。该算法采用小生境反序交叉算子,以进一步增强局部寻优的能力;引入一种并行演化算法机制,加强群体寻优能力;同时,根据定义域划分初始种群,增加初始种群的覆盖面积。通过仿真实验表明,与传统的小生境演化算法相比较,利用该算法求解复杂多峰函数优化问题能够明显提高问题的求解精度和收敛速度,而且能够得到所有的全局最优解,更好地避免了求解问题时的早熟现象,达到了较好的效果。     

Development of programming language Espace and its application to parallel and distributed evolutionary computation

This article proposes a programming language called “Espace” for parallel and distributed computation. In general, it is difficult to code a distributed, parallel program due to multi-threading, message passing, managing clients, and so on. Espace involves a few simple syntax rules added to Java. Developers do not need to know how to write a parallel, distributed program source code in detail. This work applies Espace to parallelize an evolutionary computation program, and shows that the Espace compiler allows the conversion of an evolutionary computation program written in Java into a distributed, parallel system by adding a few words to the program.     

An application of a merit function for solving convex programming problems

This paper presents a gradient neural network model for solving convex nonlinear programming (CNP) problems. The main idea is to convert the CNP problem into an equivalent unconstrained minimization problem with objective energy function. A gradient model is then defined directly using the derivatives of the energy function. It is also shown that the proposed neural network is stable in the sense of Lyapunov and can converge to an exact optimal solution of the original problem. It is also found that a larger scaling factor leads to a better convergence rate of the trajectory. The validity and transient behavior of the neural network are demonstrated by using various examples.