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％．     

基因表达式程序设计进行复杂函数参数识别

在介绍了基因表达式程序设计方法的基础上,采用基因表达式程序设计建立了复杂函数参数识别的模型,给出了算法结构与算法程序流程,并利用基因表达式程序设计方法进行未知函数拟合的实验,定义合适的终止条件,得到精确的预测结果.实验结果表明,此方法具有很高的预测精度,明显优于传统方法.最后指出该方法只需要提供足够的实验或实验数据,知道目标函数,就可以达到准确预测的目的,因而可以广泛应用于复杂函数拟合中,具有广阔的应用前景.     

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.     

基于EDA的并行基因表达式程序设计方法

将分布评估算法(EDA)引入基因表达式程序设计方法中,以提高其收敛速度。为减少计算时间,提高解质量,在加入EDA的基因表达式程序设计方法的基础上设计了同步和异步分布式并行算法,同时比较了同步和异步并行算法。实验结果表明,并行算法提高了运行速度和解质量。最后通过实验分析了迁移代频对并行算法的影响。     

基因表达式程序设计的原理与应用

基因表达式程序设计(GeneExpressionProgramming,GEP)是最近几年才发展起来的一种新型的自适应演化算法,并且已经在很多领域的运用中取得了较好的效果。本文中主要阐述了GEP的基本原理、相关应用以及近几年来国内外GEP的研究现状。同时,也对GEP的在今后的研究提出也一些展望。     

基因表达式程序设计的原理与应用

基因表达式程序设计(Gene Expression Programming,GEP)是最近几年才发展起来的一种新型的自适应演化算法,并且已经在很多领域的运用中取得了较好的效果.本文中主要阐述了GEP的基本原理、相关应用以及近几年来国内外GEP的研究现状.同时,也对GEP的在今后的研究提出也一些展望.     

基于改进基因表达式程序设计的股票指数预测

介绍基因表达式程序设计方法的基本原理,针对股票指数分析与预测问题,在经典的GEP算法基础上,提出一种基于动态变异算子的改进的GEP算法——IGEP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,对算法进行了复杂度和收敛性分析。设计一种基于IGEP的股票指数分析与预测算法,数值实验结果表明,该算法优于经典GEP算法,具有较广泛的通用性。     

基于均匀设计的GEP算法研究与应用

提出了一种基于均匀设计的基因表达式编程算法(UGEP),该算法对经典的GEP算法做了以下改进：利用混合水平均匀表的构造对初始种群的产生进行改进,保证了解分布的均匀性;引入自适应多亲杂交算子,用均匀优化代替随机进化。从理论上分析并证明了UGEP更具有全局收敛性,且收敛速度也优于经典的GEP。试验结果也证明,在求解函数拟合和时间序列预测等实际问题时,对比同类算法,UGEP算法体现出了较大的优越性。     

基于基因表达式编程的ISODATA模糊聚类算法

针对ISODATA算法需要人为给定分类数,对初始聚类中心较为敏感,没有显示出自动聚类效果等不足,结合基因表达式编程(GEP)嵌套构成迭代自组织模糊聚类进行优化计算。该方法不仅能在不需要先验知识的条件下对数据进行自动聚类,而且充分利用了GEP算法的全局寻优能力及ISODATA算法的软性分类特性,提高了算法的收敛速度和聚类精度。通过仿真验证及对比分析,运用到地理信息系统(GIS)物流选址实际问题中,得到了理想聚类效果。     

基于基因表达式编程算法的复杂网络社区结构划分

由于复杂网络的不确定性,传统的复杂网络社区结构划分算法易造成过早收敛,使精度降低,且由于计算量大,时间复杂度较高。为克服以上不足,利用基因表达式编程(GEP)的自适应性和全局搜索能力强以及具有并行性计算等特点,优化网络社区结构的划分,提出了一种基于GEP的复杂网络社区结构划分算法,并通过实验验证了新算法的有效性。新算法在无先验信息情况下,可较准确地完成对复杂网络的社区划分。     

基于基因表达式编程的信用评估模型挖掘方法

提出了一种基于基因表达式编程(GEP)的信用评估模型挖掘方法GEP-CREDIT。该方法基于客户信贷数据,利用GEP算法自动进行属性筛选,并进行属性融合,在此基础上训练和建立信用评估模型。在德国信用数据库真实数据集上做的实验和性能分析表明,基于GEP的信用评估模型挖掘方法较Nave Bayes算法的预测精度提高了3%;较SVM算法的预测精度提高了1.6%;较KNN(K=17)算法的预测精度提高了6.83%。     

基于多线程评估的基因表达式编程算法

分析了基因表达式编程(GEP)算法的性能关键,指出提升的一个重要瓶颈是在个体评估阶段;结合多核CPU并行计算能力,提出了基于多线程评估的GEP算法(MTEGEP),并通过实验验证了MTEGEP的高效性：在双核CPU环境下MTEGEP运算速度是传统GEP的1.89倍,而在8核CPU环境下达到了6.48倍。实验结果表明该算法能有效提升GEP算法的性能。     

基于基因表达式编程的TSP问题求解

利用遗传算法求解组合优化问题时,需要特有的遗传算子,才能在候选解空间中有效搜索和进化。基因表达式编程（GEP）是进化计算家族的新成员。旅游商问题（TSP）是典型的组合优化问题,得到了广泛的研究,它的研究成果将对求解NP类问题产生重要影响。基于基因表达式编程（GEP）来解决TSP问题,引入适用组合优化的遗传算子：逆串,基因串的删/插等,最后进行了实验,展示GEP解决TSP问题的方法。实验表明GEP能有效解决TSP问题,设计的系统是强壮健康,其求解速度快且解的质量好。     

基于统一计算设备架构和基因表达式编程的自动聚类算法

针对基于基因表达式编程(GEP)的自动聚类算法GEP-Cluster中聚类中心的筛选和聚合、计算数据对象到各聚类中心距离两个关键步骤效率不高的问题,提出了一种基于统一计算设备架构(CUDA)和GEP的自动聚类改进算法(CGEP-Cluster)。CGEP-Cluster算法采用基因阅读运算器方法对GEP-Cluster算法的聚类中心筛选和聚合步骤进行改进,并基于CUDA将GEP-Cluster算法中数据对象到各聚类中心距离的计算并行化。实验结果表明,在数据对象规模较大时,CGEP-Cluster算法可获得8倍左右的加速比。CGEP-Cluster算法可用于聚类数未知且数据对象规模较大情况下的自动聚类。     

基于IP和GEP算法的股票预测

采用免疫算法和基于基因表达式编程的混合算法建立了股票指数预测模型。实验结果显示,该模型能够以相当高的精度预测股票指数。     

改进的基于层次距离的基因表达式编程特征选择分类算法

针对一般特征选择算法未能揭示数据特征与数据类别之间的可解释性映射关系的问题,在基因表达式编程（GEP）的基础上,通过引入初始化方法、变异策略以及适应度评价方法,提出了一种改进的基于层次距离的GEP特征选择分类算法（FSLDGEP）。首先,利用定义的选择概率有导向地初始化种群个体,从而增加种群中有效个体的数量;其次,定义个体的层次邻域,使种群个体基于其层次邻域进行变异,并解决了变异过程中的盲目无导向性问题;最后,将维度缩减率与分类准确率结合起来作为个体的适应度值,从而改变种群单一优化目标的进化模式,并平衡两者之间的关系。在7个数据集上进行5折交叉和10折交叉验证,所提算法给出了数据特征及其类别之间的函数映射关系,将得到的映射函数用于数据分类。与森林优化特征选择算法（FSFOA）、邻域软边界特征选择算法（NSM）、基于邻域有效信息比的特征选择算法（FS-NEIR）等对比算法相比,所提算法的维度缩减率在Hepatitis、WPBC（Wisconsin Prognostic Breast Cancer）、Sonar、WDBC（Wisconsin Diagnostic Breast Cancer）数据集上得到了最好结果;与对比算法相比,所提算法的平均分类准确率在Hepatitis、Ionosphere、Musk1、WPBC、Heart-Statlog、WDBC数据集上得到了最好结果。实验结果验证了所提算法在特征选择分类问题上的可行性、有效性和优越性。     

基因表达式编程算法的改进及其应用研究

基因表达式编程（GEP）算法采用简单编码方式解决了复杂的公式发现问题。本文分析了基本的GEP算法中关键参数、常数集、符号集等设置对公式发现的影响和规律,提出了GEP算法的改进方法,并将其应用在隧道工程领域,得到了双圆盾构施工横向和纵向的地面沉降预测公式,与实测值的比较表明所发现的公式有很好的吻合度。