一种基于并行GEP的复杂电路优化算法

数字电路设计的优化是演化硬件中的研究热点,传统的优化方法主要是利用代数法和卡诺图求解法,但是在规模较大时却难于求出或无法求出最优的电路结构.提出一种新的基于并行基因表达式程序设计优化复杂数字电路的算法(COPGEP),该算法通过各子种群之间优良个体的迁移,有效地传播优良个体,充分发挥了优良个体的导向作用,提高了传统GEP的全局寻优能力以及求解精度和收敛速度.通过仿真实验表明,该算法比传统GEP收敛速度更快,能够克服传统GEP算法在优化变量个数多于5个的数字逻辑电路时收敛速度慢,甚至不收敛等缺点.     

基因表达式编程在函数挖掘中的应用研究

基因表达式编程（GEP）是一种基于基因型和表现型的新的自适应演化算法,为克服GEP在保持种群多样性和保护最优解方面的缺陷,对经典GEP进行了改进,提出了一种基于头、身、尾三段结构和自适应变异算子的改进的基因表达式算法（GEP-FM）,并从理论上对算法的复杂度和收敛性进行了分析;同时将GEP—FM算法应用于函数挖掘．多个数值实验结果表明：该方法挖掘的模型优于传统算法及经典GEP算法,具有更高的拟合度和预测精度,     

GEP算法在无线传感器网络数据预测中的仿真应用

数据预测是研究无线传感器网络数据融合的重要方法。利用因特尔伯克利实验室开源数据为样本,采用时序预测方法分析了数据的时间相关性,深入研究了基因表达式编程方法(GEP)在无线传感器网络预测应用的可能性。通过与同等条件下ARMA算法进行比较分析可知,GEP算法不依赖先验知识,并且预测精度高于ARMA算法,为GEP算法在无线传感器网络数据融合应用提供了研究依据。     

PHVB：基于GEP的一阶谓词逻辑规则挖掘算法

为了有效挖掘一阶谓词逻辑规则,提出了一种基于基因表达式编程(GEP)技术的挖掘算法:PHVB算法.提出了规范一阶谓词规则概念;设计了量词隐含、变元绑定策略,将一阶谓词规则挖掘问题转化为GEP算法能够解决的形式;提出了基于GEP的一阶谓词逻辑规则挖掘算法PHVB算法.实验结果表明,采用PHVB算法可以有效发现一阶谓词关联规则.     

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%。     

时序关系下的闭合序列模式挖掘算法

序列挖掘算法产生冗余序列,造成其运行时间过长.对此,提出了一种新的闭合序列挖掘算法——时序关系下的闭合序列模式挖掘算法.依据闭合序列模式的性质,通过比较频繁序列与每个1-项频繁序列之间的时序关系,推断频繁序列模式是否可扩展.基于IBM公司的合成数据,将其与闭合序列模式挖掘算法进行比较,实验结果表明,这种新的闭合序列挖掘算法可以有效降低运行时间且不易受到属性值个数的影响.     

基于K-表达式长度的改进GEP算法研究

在基因表达式编程中,个体适应值的计算是频繁发生的操作,要动态生成和遍历大量的树,成为影响GEP算法效率的瓶颈.为此,提出了基于K-表达式长度快速求适应值的KLCF算法,实验表明KLCF算法简单有效且大大缩短演化时间;同时也提出了改进的基因表达式算法KL-GEP,实验表明,KL-GEP与GP和GEP相比,具有更高的拟合和预测精度、更快的收敛速度.     

基于基因表达式编程的函数挖掘--收敛性分析与残差制导进化算法

为了克服传统的数学方法在确定要发现的函数类型时需要依赖专业知识，具有主观性和盲目性及基于遗传编程(GP)的函数发现方法效率太低的问题，提出了基于基因表达式编程(GEP)新的函数挖掘方法，并分析了算法的收敛性，并根据收敛性定理提出了GEP的改进算法——残差制导进化算法RGEA。通过对GP、GEP、RGEA算法的比较实验，结果表明，在噪声数据很小的情况下，3种算法均挖掘出目标函数，但GEP比GP的收敛速度提高了20倍。RGEA比GP提高了60倍。对于函数类型未知且极为复杂的数据，GEP和RGEA在发现理想函数的速度上要比GP分别快900、1800倍。     

LDecode：具有线性复杂度的GEP适应度评价算法

基因表达式编程(Gene Expression Programming,GEP)在处理复杂长基因时的空间、时间效率较低,为解决这一问题,提出并实现了具有线性复杂度的染色体适应度评价算法.分析了传统GEP算法中借助ET(Expression Tree)树进行染色体适应度评价的局限性;提出并实现了具有线性复杂度的染色体适应度评价算法LDecode算法;针对染色体长度、种群大小、测试数据集大小、进化代数等不同参数,对提出的染色体适应度评价算法进行了评价和分析.试验表明,提出的评价算法运行速度较传统基于ET树的GEP提高了4.5～5.1倍,时间、空间复杂度均为O(n).     

多样性制导分段进化的基因表达式编程

为了解决基于传统基因表达式编程（GEP）的函数挖掘及其改进算法仍然存在局部优化的缺陷这一问题,提出了以基因组多样性制导的分阶段进化挖掘算法DGGEP。给出了GEP 进化阶段和基因组多样性评估模式的定义;提出了描述进化阶段的进化因子概念和分阶段进化策略;采用动态遗传算子设计和群体规模控制方法,使进化更快速跳出局部最优。实验表明了新算法的有效性,能减少进化停滞代数65％以上,使群体的平均适应度提高12%以上。     

一种基于灰关联的序列模式挖掘算法

序列模式挖掘算法多是利用了关联规则挖掘中的 Apriori特性 .利用灰关联方法对原始序列 进行净化处理 ,从而减少挖掘算法中的噪声数据 . 其理论依据在于 ,如果一个序列是频繁的 ,那么该序列的时间间隔也必然是频繁的. 利用了灰关联分析方法找出两个项之间的频繁时间间隔 ,再利用该间隔扫描事务序列数据库 ,从而最终找出频繁序列 .     

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.     

快速跳出局部最优的VPS-GEP算法

传统GEP(Gene Expression Programm ing)算法存在局部收敛方面的缺陷,为了解决这一问题,提出了可以使进化快速跳出局部最优的VPS-GEP(Various Popu lation Strategy GEP)算法,证明了在概率意义上GEP平均每代进化所耗时间与群体规模成正比,用两个标准测试函数和一个标准测试数据集测试了VPS-GEP算法的函数挖掘能力和效率。实验表明,VPS-GEP算法可以减少进化停滞代数55%以上。     

基于基因表达式编程的终端区飞机优化排序模型设计

终端区飞机排序是空中交通流量管制部门关注的热点问题,通过研究基因表达式编程在终端区飞机排序中的应用,设计了可回溯基因表达式编程的优化排序算法。该算法在染色体进化时使用改进的操作算子——最大区间约束倒置操作符,解决进化中出现的无效解和无用解问题;在种群繁衍时采用了回溯进化技术,为较优种群更好地保存,对回溯栈的操作改进为不定时人栈一定时出栈。通过仿真实验表明,与先来先服务算法相比,本算法能有效地减少航班延误,在遗传进化中能防止“早熟”,并能搜索到优异解。     

结合时间上下文挖掘学习兴趣的协同过滤推荐算法

提出了一种基于时间上下文的协同过滤推荐(TCCF-LI)算法,实现了基于高校图书馆图书借阅记录数据上的学生学习兴趣挖掘.在传统协同过滤算法上引入时间上下文信息,既考虑了大尺度用户群体爱好的趋同性,又兼顾了小尺度个体用户爱好的短时相关性,获得了更高的推荐性能.在实际数据集上的实验结果表明,该算法在推荐精准度、召回率等方面比传统推荐算法有较好表现.     

小波滤波在时间序列频繁模式挖掘中的应用

与布尔型数据的频繁模式挖掘相比,时间序列的频繁模式挖掘是一个相对复杂的问题,目前对此类问题还缺少深入的研究.通过对小波滤波的研究,提出了一种时间序列的频繁模式挖掘算法,Frequent-Wavelet算法.该算法的特点是采用多孔平滑滤波器组对时间序列做低通平滑处理,用得到的多个尺度序列表示原序列,较好地解决了时间序列的平凡相似问题和时间轴伸缩问题.实验表明,Frequent-Wavelet算法对于时间序列的频繁模式挖掘具有较好的效果.     

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。