开放尾部的基因表达式程序设计

基因表达式程序设计（GEP）的染色体由具有特殊限制的头、尾组成,并要求尾部符号严格取自基本的终端集。这一做法作用明了、易于表述,基本为现有GEP所采纳,但不利于语义计算的重用。谋求突破尾部限制条件,探究一种开放尾部的新型GEP算法。该算法将运行过程产生的优良个体动态地引入种群个体的基因,从而实现运算精度的提升。符号回归实验表明,开放尾部的GEP算法在平均精度性能上要优于主流GEP方法。     

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％．     

基因表达式编程中的优势种群产生策略

初始种群是影响基因表达式编程算法(GEP)的重要因素之一.提出可以产生具有较高个体适应度和基因多样性种群的优势种群产生策略.优势种群产生策略继承了基因空间均匀分布策略和精英个体产生策略的优点,产生的初始种群最高适应度个体的适应度较高,而且种群具有基因多样性特征.实验表明,优势种群产生策略可以显著提高进化的成功率,从而提高系统的进化效率.     

基于染色体易位的动态进化算法

针对采用二进制编码的进化算法在函数优化过程中会因为维度之间的相互干扰,导致部分低阶模式出现无法进行有效重组的现象,提出一种新的结合细胞学研究成果的进化算法——染色体易位的动态进化算法(CTDEA)。算法通过构建基因矩阵来模拟有机染色体在细胞内的结构化过程,并在基因矩阵的基础上对出现同质化的染色体短列实施模块化的易位操作,以此来维护种群的多样性;同时通过个体适应度划分种群的方式来维护精英个体,确保个体间的竞争压力,提升算法的寻优速度。实验结果表明,该进化算法与已有的遗传算法(GA)和分布估计算法相比较,在维护种群多样性方面有较大改进,能够将种群的多样性保持在0.25左右;且在寻优的精度、稳定性以及速度上也有明显的改进和提高。     

基因沉默机制的基因表达式编程

基因表达式编程（Gene Expression Programming,GEP）对多项式函数为目标的符号回归问题计算效果良好,而对包含多种运算目数、非多项式函数的计算效果欠佳。受转基因生物工程中基因沉默现象的启发,提出一种GEP拓展算法SFGEP（Gene Expression Programming of Symbol Field,SFGEP）。SFGEP染色体由表达因子域与表达基因域组成,按“深度优先”原则解释染色体,利用不同操作符目数,形成基因表达的抑制因子和位置效应,实现染色体解释中基因沉默的机制。实验结果表明,相较传统多基因染色体GEP,SFGEP既保持了一定多项式函数挖掘的能力,又在包含不同运算目数操作符的非多项式函数挖掘方面具有更好的效能,SFGEP的成功率更高、收敛速度更快。     

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。     

基于概率分布的动态矩阵演化算法

传统演化算法通常以宏观层面的种群之间或个体之间的相互作用来进行协同演化,较少考虑个体基因编码在微观层面进行局部优化时的相互作用。针对该情况,提出基于种群基因分布结构的动态矩阵演化算法。利用二进制基因矩阵的方式构建种群个体,结合基因编码差异及适应度评价种群个体,通过对比种群基因列决定个体基因结构调整的位置,并根据优势种群的基因结构产生下一代个体,通过微观层面上基因位之间的协同作用引导种群的演化。实验结果表明,该算法对于中、高维函数均表现出良好的优化性能,同时能较好地平衡宏观全局优化和微观局部优化之间的关系。     

遗传算法用于曲线的误差约束多边形近似

提出了一种求解曲线的误差约束多边形近似问题的遗传算法.其主要思想是:1)采用变长染色体编码机制,以减少存储空间和计算时间的消耗;2)针对问题的特点,提出了一种新的杂交算子——基因消去杂交,以尽可能地消去染色体上的冗余基因,从而提高算法的寻优能力;3)采用染色体修复策略处理遗传操作产生的不可行解,该策略通过迭代地向染色体追加有价值的候选基因来实现染色体的修复,并提出一种对染色体的候选基因进行评估的机制.通过实验评估并与其他遗传算法进行比较,结果表明,提出的算法性能更优越.     

基于适应度方差度量种群多样性的GEP算法

为了保持进化过程中种群的多样性,提高算法的收敛速度,保护进化过程中的较优个体,对标准基因表达式编程(GEP)算法进行了改进,提出了一种基于适应度方差度量种群多样性的GEP算法(GEP based on population diversity measure by variance of individuals' fitness,DM-GEP).该算法以个体适应度方差来度量种群多样性,设计了自适应变异算子,使得变异率随着种群多样性情况而变化,且同时兼顾了种群的稳定性以及进化过程中较优个体的保护.仿真结果表明,DM-GEP提高了收敛速度和精确度.     

网络入侵检测的GEP规则提取算法研究

针对基于机器学习网络入侵检测存在的未知攻击检测率低、规则多而复杂导致检测效率不高等问题,提出了基于约束的基因表达式编程(GEP)规则提取算法(CGREA).用GEP模式表示入侵检测规则,定义了约束文法对规则个体进行约束,以满足规则的充分性和封闭性.CGREA算法限定GEP规则基因头部各类符号的随机选择数目比例.并采用精英策略以保证算法收敛性.用KDDCUP'99数据集对CGREA算法提取的入侵检测规则进行评估,总攻击检测率为91.36%,其中有3种未知攻击的检测率超过88%.结果表明,CGREA算法能在较小种群和有限代数内提取出简单而有效的规则,未知攻击检测率和检测性能也得到提高.     

基于克隆选择和量子进化的GEP分类算法

基于基因表达式编程(GEP)的分类算法具有较高的精度,但易陷入局部最优,且搜索时间长.为进一步提高GEP分类算法的分类能力,提出了基于克隆选择和量子进化的GEP分类算法——ClonalQuantum—GEP.该算法通过量子种群的更新和探测影响抗体种群的搜索方向和进化能力,并通过记忆池保持最优解,使其具有更好的种群多样性、更强的全局寻优能力和更快的收敛速度.在几个标准数据集上的实验验证了算法的有效性.与基本的GEP算法相比,ClonalQuantum-GEP能以较小的种群规模和较少的进化代数获得较理想的分类效果.     

双系统协同进化的基因表达式编程及其在函数发现中的应用

受人类进化过程的启发,提出了一种双系统协同进化的基因表达式编程算法DSCE-GEP。DSCE-GEP由自然进化系统和人工干预系统组成。人工干预系统包括个体干预和种群干预。个体干预是依据基因库对种群中的个体进行去劣和增优操作,旨在改善种群中个体的质量;种群干预通过引入随机和镜像个体来提高种群的多样性和全局寻优能力。与权威文献中改进的GEP关于函数发现问题的大量对比实验表明,本文算法在收敛速度、求解质量方面优于对比算法,具有明显的竞争力。     

改进基因表达式编程在股票中的研究与应用

介绍了基因表达式编程方法的基本原理,针对股票指数分析与预测问题,在经典的GEP算法基础上,提出了一种基于动态变异算子的改进的GEP算法--IGEP(improved GEP)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.还对算法进行了复杂度和收敛性分析.最后设计了一种基于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越于经典GEP算法,非常有效且具有较广泛的通用性.     

基于跳跃基因算子的改进实数遗传算法

为了避免遗传算法在求解数值优化问题时出现搜索能力差、多样性缺失等弊端,提出一种基于实数编码的改进遗传算法(IRCGA).算法集成两个特别设计的算子:模拟二进制跳跃基因算子(SBJG)和多方向交叉算子(MX).SBJG算子以染色体为操作对象,本质上模拟了二进制跳跃基因操作中的插入运动,即利用一种随机的方式将选定的染色体块插入到染色体位点,实现种群内部染色体间的转位,为种群提供额外的遗传多样性;MX算子通过增加交叉方向的方式扩大算子的搜索区域,从而提升后代个体质量与算法的搜索能力.在11个实例的基础上进行对比实验,结果表明,采用改进算子能够明显提升算法在求解数值优化问题时的性能,同时,相比于其他先进有效的算法,IRCGA具有较强的搜索能力且能够维持一定的种群多样性,从而验证了改进算法的有效性和可行性.     

基因表达式编程初始种群的多样化策略

基因表达式编程(Gene Expression Programming,GEP)算法是遗传家族的新成员,被广泛用于知识发现,其初始种群的质量对进化效率和进化结果至关重要.为了产生优势初始种群,提出了基因空间均匀分布策略(Gene Space Balance Strategy,GSBS),证明了描述编码空间量化性质的GEP编码空间定理.实验表明,GSBS提高进化效率超过20%.GSBS算法的思想还可以应用于其它进化计算中.     

基于克隆选择和量子进化的GEP分类算法

基于基因表达式编程(GEP)的分类算法具有较高的精度,但易陷入局部最优,且搜索时间长。为进一步提高 GEP分类算法的分类能力,提出了基于克隆选择和量子进化的GEP分类算法—C1onalQuantum-GEP。该算法通过 量子种群的更新和探测影响杭体种群的搜索方向和进化能力,并通过记忆池保持最优解,使其具有更好的种群多样 性、更强的全局寻优能力和更快的收敛速度。在几个标准数据集上的实验验证了算法的有效性。与基本的GEP算法 相比,C1onalQuantum-GEP能以较小的种群规模和较少的进化代数获得较理想的分类效果。     

基于开放读码框架的GEP遗传算子

基因表达式编程（GEP）采用的已有单点重组、两点重组、插串等遗传操作有很大概率发生在基因的非编码区,导致搜索过程中遗传操作前后的基因解码成相同的表达式树,这在一定程度上影响了GEP的搜索性能。为解决这一问题,提出了一类基于开放读码框架的遗传算子,这类算子从基因的编码区中选取作用点,以保证遗传操作将改变编码区中的基因片段,从而使遗传操作后的基因能解码成不同的表达式树。实验结果表明,与已有的同类遗传算子相比,提出的遗传算子缩短了GEP算法进化代数,提高了算法的成功率。     

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。     

基于混合差异度控制的基因表达式编程

基因表达式编程(GEP)是一种进化算法,存在局部极小问题,解决此问题的一般方法是保持进化过程中种群的差异度。为了保证进化过程中种群的差异度,文中提出一种融合种群空间和样本空间的种群差异度度量方法。并基于此融合种群差异度度量方法,提出差异控制的GEP进化算法。同时在初始种群生成时,针对GEP结构的特殊性,将敌手理论应用于GEP种群初始化。实验结果表明文中算法能较有效避免过早陷入局部极小。