多表达式程序设计的新型评估方法

多表达式程序设计(MEP)是应用十分广泛的自动程序设计方法。从MEP的染色体表示规则及种群演化方式来看,每个染色体中的任何基因都有可能多次被当前或其它后续种群中的其他基因引用,从而造成重复计算,耗费大量时空资源。由此提出并实现了一种新型评估方法,该新型评估方法在不改变传统MEP的染色体表示规则和种群演化方式的情况下,能够准确有效地识别演化过程中所有被重复引用的基因,从而避免了大量重复计算,显著提高了演化效率。     

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.     

基于多层染色体基因表达式程序设计的混合遗传进化算法

提出了一种新的基于多层染色体基因表达式程序设计的混合遗传进化算法:M-GEP-GA。 该算法在基因表达式程序设计的基础上引入了多层染色体,并采用与遗传算法相嵌套的二级演化方法。利用染色体构建的层次调用模型对个体进行表达,用基因表达式程序设计方法优化模型结构,遗传算法优化模型参数。通过对三组数据测试,与用单基因GEP、多基因GEP的结果进行对比,实验表明改进的算法具有更强的寻优能力和更高的稳定性。     

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.     

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。     

基因表达式编程的2种解码方法

在基因表达式编程的基础上提出2种新的解码方法,分析了它们的时间和空间复杂度。第1种方法完全遵照原始基因表达式编程中基因型与表现型之间的映射关系,直接在基因型上计算和求解表达式。第2种方法在基因结构保持不变的前提下,利用栈来计算和获取表达式,使得基因型与表现型之间的映射关系已不同于前者。这2种方法对重组算子有着不同程度的影响。在3组数据上的实验结果表明,2种新的解码方法可行而且高效,第2种解码方法更有利于优良子树模式的保护。     

新的线性遗传程序设计方法

受其他多种线性编码的遗传程序设计算法的启发,提出一种新的编码方式的遗传程序设计——符号遗传程序设计。该编码方式具有简单、无语法限制并且能够在不增加计算量的情况下将染色体翻译成多个表达式等特点。分析与实验表明该算法具有较高的效率和较强的稳定性。     

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。     

应用禁忌基因表达式编程提高模型精度

为提高建模精度,将禁忌搜索引入到基因表达式编程的遗传操作中,改善基因表达式编程的局部搜索能力,提出了并行禁忌基因表达式编程算法PTS-GEP（Gene Expression Programming Based on Parallel Tabu Search）。通过两组实验比较算法的性能,实验结果表明,PTS-GEP挖掘出的模型精度优于GEP、UC-GEP算法。     

基于GEP的最短避障路径问题的设计

提出一种基于GEP的最短避障路径问题的方法,着重从应用的角度讨论用GEP求解最短避障路径问题。该方法采用实数直接编码的方法,有明确的适应度函数,首先产生合法的初始路径种群,然后针对环境模型的特点设计了有效的路径遗传算子,达到路径规划中避障的要求,实际应用表明了该算法的有效性和可行性。     

遗传算法与进化规划的比较研究

遗传算法和退化规划是目前工程应用研究中最普遍的两种进化算法，由于它们的来源及原理的不同导致它们在生物基础、算法操作及实施细节上均存在很大差异，适最终影响到它们的实施效果及性能。通过系统的理论分析及函数仿真实验研究表明。进化规划无论是生物基础、算法实施选是计算性能方面都明显优于遗传算法，是处理工程优化问题的一种更理想的方法。     

基于基因表达式编程的WSN定位算法

针对遗传算法在无线传感器网络(WSN)定位优化时早熟收敛、局部寻优能力差的问题,提出一种基于基因表达式编程的WSN定位优化算法。采用采样方法估计节点初始位置,运用基因表达式编程算法对节点初始位置进行优化,其编码方式和特有的遗传算子在最优值发现过程中具有明显优势。实验结果表明,与传统的遗传算法相比,该算法寻优能力强、定位精度高、收敛速度快。     

基于差分演化的GEP决策树算法

基于均匀常数分布的基因表达式编程决策树算法存在对多属性数据分类效果不佳的问题。为此,提出一种基于差分演化的基因表达式编程决策树算法,该算法通过引入差分演化的方法对其附加阈值进行改进,从而使均匀的常数数组在保持均匀分布的同时仍不失多样性。实验结果表明,该方法在多属性数据的分类问题上能够得到良好的效果。     

基于GEP的分形图像压缩并行算法

传统图像压缩算法存在图像压缩率不高、寻找最优分形图像压缩编码速度慢的不足。为此,提出一种基于基因表达式编程(GEP)的分形图像压缩并行算法。分析二值图像压缩变换的求解过程,给出分形图像基因和染色体的编码表示,设计适应度函数,研究GEP遗传进化操作的编码步骤。在PC机群上的实验结果表明,与串行算法相比,该算法的图像压缩率较高、运行速度较快,具有线性加速比。