基于局部聚合的复杂网络自动聚簇算法

针对全局聚簇计算消耗偏高的缺陷,提出了基于局部聚合的自动迭代聚簇算法(LAICA). LAICA首先通过局部聚簇发现网络中连接紧密的节点集,即: 局部簇,然后迭代合并局部簇从而实现对网络的全局聚簇. 实验结果表明,LAICA算法能自动决定簇数并精确分配节点至其所属簇,在真实网络数据集上的聚簇精确度最高达到99.72%.     

基于基因表达式编程的自动聚类方法

为了解决聚类算法不能自动聚类的问题,提出并实现了自动聚类算法GEP-Cluster算法。主要工作包括:1)研究了基于GEP进化的最优簇划分;2)提出了自动合并簇算法Auto Merge Cluster Algorithm;3)实现了不需预知簇个数的聚类;4)在合成数据集上的实验表明,采用GEP-Cluster算法在未知簇划分信息的情况下可对数据集自动进行聚类分析,聚类成功率达到96%。     

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.     

基于人工免疫和基因表达式编程的 多维复杂关联规则挖掘方法

为满足复杂数据挖掘应用对处理丰富语义的要求,引入了多维复杂关联规则概念,提出了通过人工免疫循环控制的基因表达式编程挖掘方法。构造了有特色的抗体和免疫细胞结构,能有效减少计算量;设计了特有的否定选择策略,可以消除无用的和冗余的免疫细胞;引出了逆否规则与原规则同为强规则的启发式过滤准则,可有效约简规则数目。实验表明,新方法能够高效、准确地挖掘多维复杂关联规则;在一定条件下,新方法的否定选择策略可将挖掘效率提高达1~3个数量级。     

基于多样化进化策略的基因表达式编程算法

针对传统GEP（Gene Expression Programming）算法的未成熟收敛以及陷入局部最优问题,提出一种基于多样化进化策略的基因表达式编程算法（DS-GEP：Gene Expression Programming based on diversified develop-ment strategy）。该算法通过基因空间均匀分布策略,自适应地交叉和变异算子以及淘汰算子等方法,对种群给予不同的进化策略,以保持种群的多样性,从而增强算法的寻优能力。通过对函数挖掘的实验证明,多样化进化策略各个部分均对改善挖掘效率发挥了作用,提高了DS-GEP函数挖掘算法的成功率。与传统GEP算法相比较,该算法的平均成功进化代数缩短了11%,成功进化时间缩短了8%,进化成功率提高了20%。     

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%。     

基于基因表达式编程的多目标优化算法

目前的多目标优化进化算法在高维的决策空间中收敛性能不佳,针对这个问题,提出了基于基因表达式编程的多目标优化算法GEPMO,主要工作包括：提出了新的个体编码方案,分离了值基因和位置基因;设计了新的算子;分析了GEPMO的编码空间;提出了GEPMO的框架。在标准测试函数上的实验结果表明了新算法的有效性,在高维决策空间中GEPMO能够覆盖SPEA算法的结果集87.5%,但SPEA覆盖GEPMO仅为5%。     

用基因表达式编程生成数字高程模型

数字高程模型是地理信息系统进行地形分析的基础。在处理采样点缺失时,常用的空间插值方法难于客观地确定插值函数结构和参数。本文将基因表达式编程技术应用到数字高程模型的生成中,做了下列工作：（1）形式化描述高程基因,缓冲区和簇等概念;（2）证明了深度定理及引理;（3）提出了缓冲区策略（BS）,适时注入优质高程体;（4）提出了动态簇的搜索算法（DCSA）,方向搜索相关点算法（SCPD）和象限扩展搜索算法（ESDA）,按方向动态扩展搜索簇,避免了冗余点的计算;提出了移动拟合GEP算法（EF-GEP）,插值空间细分,缩小了拟合空间;（5）实验表明新方法是有效的,平均进化代数为227代,平均最高适应度为97.4527,提高了7.23%。三维地质模型形象地表达出了地质体形态结构。     

基于因子分析和基因表达式编程算法的变压器故障诊断

将因子分析和基因表达式编程结合起来,对变压器油色谱数据进行处理和智能训练,并建立变压器故障分类诊断模型;收集到332组油色谱数据,选取150组作为GEP分类器的训练样本,182组作为测试样本,并将测试结果与三比值法和朴素贝叶斯分类器进行比较。大量诊断实例表明,所提出的变压器故障诊断模型性能优于另外两种方法。     

基于基因表达式编程的地面等待策略模型研究

针对地面等待策略,给出了问题的具体描述,建立了基于基因表达式编程的地面等待策略模型.该模型考虑了不同机型航班延误费用不同的重要经济因素,采用多基因家族对航班和时隙进行编码.同时,针对有后继任务的航班提出双胞基凶.结合实际空中交通管理约束,对普通基因和双胞基因分别没计了适应度函数.实验仿真中,将本文算法与RBS算法、二次自然增长延误箅法比较,在所有航班总延误费用较少的情况下,本文算法分配结果中有后继任务航班的总延误时间和总延误费用较RBS算法减少26%和32%,较二次自然增长算法减少了27%和31%,表明了模型和算法的有效性.     

基于朴素基因表达式编程的函数自动建模

为了进一步提高GEP的函数自动建模的效率,提出了朴素基因表达式编程模型(Na(i)ve GEP)NGEP;提出了原子基因片断的概念,以保护进化良好的基因片段;引入了基因嫁接操作,实现了NGEP原型.实验表明:NGEP在函数自动建模的收敛速度是标准GEP的2～4倍.     

基于内嵌基因表达式编程的函数优化

基因表达式编程(GEP)算法在解码时常存在未表达的基因内区,在解决函数优化问题时存在缺陷,使得对简单函数的优化性能不如遗传算法(GA),而对复杂函数优化收敛速度较慢.为了改善基因表达效率和提高优化性能,做了下到工作:提出了新的基因解码方法,形成了内嵌基因表达式编程算法EGEP;设计了适合优化问题的个体编码方案;分析了个体的表达空间.实验表明,EGEP对简单函数优化的性能优于传统遗传算法;EGEP提高了对复杂函数的优化能力,即使在运行辈数降低200倍时,得到的性能仍然优于传统GEP和遗传算法.     

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).     

基于小生境基因表达式编程的多模函数优化

为了解决传统基因表达式编程(GEP)无法发现多模函数的所有最优解的问题,将小生境概念引入到基因表达式编程中。分析了传统GEP算法在多模函数优化方面的不足,提出了小生境半径的自适应调整策略AMNR,提出了基于小生境基因表达式编程的多模函数优化算法NGEP-MFO。扩展了传统GEP的应用领域,实验表明,相对于传统GEP,NGEP-MFO能大幅提高发现所有最优解的成功率和判定最优解的准确度。     

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。     

基因表达式编程在问卷分析中的应用

介绍了基于基因表达式编程(Gene Expression Programming,GEP)的知识发现技术的基本概念及特色.对重庆市596名大学生的睡眠质量和睡眠卫生意识现状的调查数据,用GEP进行了训练及评估.实验结果显示,基于基因表达式编程的评估方法准确率与问卷标准评分得出的结果基本一致,不但简化了计算过程,而且能提供参数间的函数关系.