基于网格服务的GEP分布式函数挖掘算法

提出了一种基于网格服务的GEP分布式函数挖掘算法(DFMGEP-GS),它将网格服务与GEP算法相结合,既成功地实现了在网格平台下的GEP函数挖掘,又提高了每个网格节点上GEP算法的全局寻优性;同时证明了在网格环境下由局部数据模型生成全局数据模型的方法.仿真实验结果表明,对于函数类型已知的数据,随着数据集的增大,在成功挖掘到目标函数的情况下,DFMGEP-GS算法的平均耗时最少,而且随着网格节点的增加,DFMGEP-GS的收敛速度最大提高了约17倍;对于函数类型未知的复杂数据集,DFMGEP-GS算法挖掘所得到的模型的误差最小.     

基于GEP的多层关联规则挖掘算法及其应用

为了在Web使用挖掘中挖掘网站服务器日志数据库的热点Web页面访问集及发现其关联规则,提出了一种新的基于GEP(gene expression programming,基因表达式编程)的适用于挖掘多层关联规则的算法.将泛化技术应用于GEP作为它的适应性函数度量,引入GEP强大的自搜索功能,进化到较优的种群后,再利用传统的支持度一置信度的方法在子数据库的多个层及层间挖掘频繁项及关联规则.该算法改进了传统多层关联规则挖掘框架,实验结果表明了该算法在大数据库中的有效性和高效性.     

基于GD-GEP算法的航空发动机振动监控

针对传统基因表达式编程算法(GEP)在进行函数挖掘时易陷入局部最优以及收敛精度不高等问题,提出了一种基于基因多样性的GEP算法,该算法采用基于基因多样性的初始种群生成策略,引入了种群更新策略,使得种群基因多样性增加;仿真试验表明,该算法具有更好的全局搜索能力和更高的解精度;基于某型飞机飞行数据记录器记录的飞行数据,利用GD-GEP算法进行航空发动机模型辨识,将辨识得到的模型用于发动机振动值监控,真实的振动故障数据验证了该方法能够成功监测到振动故障。     

基因表达式中含有等式约束的处理方法

基因表达式编程（Gene Expression Programming,GEP）算法是遗传家族的新成员,被广泛用于函数发现。在微分方程中,要寻找的函数需要满足初始值,即有时希望GEP找到的函数能够满足一些等式约束条件。提出了一种带拉格朗日插值函数的GEP,对生成的种群加入插值函数使其满足等式约束,为提高GEP算法的进化效率和精度对目标目标值加入尺度变化,对其放大或者缩小。这样缩短了GEP算法的进化距离,从而提高了种群的进化效率。通过仿真实例,结果表明该方法可行有效。     

DC-GEP:基因表达式编程早熟预警——多样性贡献策略

基因表达式编程(gene expression programming,GEP)是函数发现的有力工具,但传统的GEP存在早熟缺陷,为了解决这一问题,已有的研究方法均是在早熟发生后采取补救的措施,导致效率的降低。采用了预警思路来防止GEP早熟现象的发生。主要工作如下:(1)通过对种群个体多样性的评价,提出基于多样性贡献的最优个体选择机制,设计了基于融合适应度和多样性贡献的GEP进化算法diversity contribution-GEP(DC-GEP);(2)提出了一种进化辈数自动确定的方法,实现了自适应的DC-GEP进化算法;(3)实验表明,DC-GEP对于复杂函数挖掘的算法性能比标准GEP在进化效率上平均提高了70%。     

DC-GEP：基因表达式编程早熟预警—多样性贡献策略

基因表达式编程（gene expression programming,GEP）是函数发现的有力工具,但传统的GEP存在早熟缺陷,为了解决这一问题,已有的研究方法均是在早熟发生后采取补救的措施,导致效率的降低。采用了预警思路来防止GEP早熟现象的发生。主要工作如下：（1）通过对种群个体多样性的评价,提出基于多样性贡献的最优个体选择机制,设计了基于融合适应度和多样性贡献的GEP进化算法diversity contribution-GEP（DC-GEP）;（2）提出了一种进化辈数自动确定的方法,实现了自适应的DC-GEP进化算法;（3）实验表明,DC-GEP对于复杂函数挖掘的算法性能比标准GEP在进化效率上平均提高了70％。     

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.     

一种染色体自适应GEP算法

GEP是一种源于遗传算法(GA)和遗传编程(GP)的进化算法,结合了GA的定长线性编码和GP的树形解码,发现公式的能力很强。传统GEP在迭代过程中采用固定交叉率和变异率,对寻优过程造成巨大局限性。通过GEP种群染色体自适应,调整交叉率和变异率,有利于个体的个性化发展。4个benchmark函数的符号回归实验表明,改进后的GEP比传统GEP寻优效果更优。     

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。     

采用混合策略的改进基因表达式编程

基因表达式编程(gene expression programming,GEP)是一种新型的进化算法,在函数发现领域具有很好的应用。针对传统GEP存在的不足,提出了一种采用混合策略的改进基因表达式编程算法(improved gene expression programming algorithm used by hybrid strategy,HSI-GEP)。主要有两点改进:(1)采用镜像和重启机制对种群中的较差个体进行替换,以提高种群的质量和多样性;(2)在原有锦标赛选择之前引入克隆选择,以提高算法对优质解的开采能力。与权威文献中改进的GEP算法关于函数发现问题的大量对比实验表明,HSIGEP算法求解质量高,收敛速度快,具有明显的竞争力。     

基于通用多核处理器平台的并行基因表达式编程算法

基因表达式编程(Gene Expression Programming, GEP)是一种计算量大且通用性强的新型进化算法,其传统计算形式不能充分利用目前主流的多核处理器。为提高算法效率,提出了基于通用多核处理器平台的并行基因表达式编程算法(Parallel Gene Expression Programming Based on General Multi-core Processor, PGEP-MP)。主要工作包括:O)分析通用多核处理器平台下并行基因表达式编程算法的机理;(2)利用MPI和()pcnMP混合编程模型设计基于通用多核处理器平台的基因表达式编程算法的粗粒度与细粒度相结合的并行模型;(3)提出改进PEEP-MP算法效率的进化策略;(4)通过对函数挖掘和分类的实验证明,PEEP-Ml〕算法提高了函数挖掘和分类的效率,在并行双核处理器数为4的情况下,PEEP-MP的平均并行加速比分别是传统GEP算法的4. 22倍和 4. 06倍。     

基于动态适应度的基因表达式编程挖掘反函数*

为提高基因表达式编程(GEP)发现知识效率,提出并实现了基因表达式编程的动态适应度函数. 将逐步权重自适应(SAW)应用于基因表达式编程中适应度函数的动态调整;将线性N维向量函数引入作为适应度函数的组件,用于提高求适应度效率;通过挖掘反函数和方程求解的实验, 表明新方法比传统基因表达式编程所求得的反函数表达式的精确度有较大的优势,性能提高约8%.     

基因表达式编程在环氧酶抑制剂定量构效关系中的应用

基因表达编程方法(GEP)是1种较新的进化计算算法,是1种较好的数据挖掘和建模工具。因其出色的数据挖掘能力并能以数学模型表达数据关系而广受关注,但在化学领域的应用还较少。本文应用GEP方法研究环氧酶抑制剂活性和选择性的构效关系(QSAR),选择变量和建立模型,同时与BP人工神经网络(BP-ANN)和遗传算法-多元线性回归(GA-MLR)方法比较。结果发现,GEP方法的预测较好,且模型稳定。研究显示GEP在定量构效关系研究中,具有广阔的应用前景。     

四维飞行轨迹预测方法的研究

通过对空中交通运输管理中目前常用的轨迹预测算法的研究比较和分析,提出了利用遗传算法的从历史数据中进行函数挖掘的思想.针对四维轨迹数据特征的分析和传统的单一函数挖掘的局限性,提出了基于基因表达式编程的频繁函数集挖掘的建模方法.该模型方法通过对历史飞行数据进行遗传算法的操作挖掘出数据集中对应的函数关系集合,用较好的函数模型预测未来航迹.以某一航班雷达数据为训练集做实验,结果表明了应用该方法的准确性和可用性.     

基因表达式编程在软件可靠性建模中的应用

基因表达式编程是一种基于遗传算法和遗传编程的新型机器学习技术,其具有更为优秀的数据挖掘能力,已被成功应用于函数发现领域。提出一种基于基因表达式编程的非参软件可靠性建模方法,该方法将基因表达式编程算法中的若干关键步骤(如初始种群函数集、适应度函数、终止条件等)与软件可靠性建模的若干重要特征相融合,在失效数据集上进行训练,从而获得基于基因表达式编程算法的非参软件可靠性模型。在若干组真实失效数据集上,将所提出的模型与若干典型的基于人工神经网络以及遗传编程的非参软件可靠性模型进行对比实例研究。实例结果表明,基因表达式编程算法的非参软件可靠性模型具有更为显著的模型拟合与预计性能。     

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。     

基于基因表达式编程的知识发现--沿革、成果和发展方向

综述了基于基因表达式编程(Gene Expression Programming，GEP)的知识发现技术的沿革、特色和成果。剖析了GEP中通过简单编码解决复杂问题的关键技术。特别介绍了在这一领域的工作成果，如基于GEP的多项式因式分解，频繁函数挖掘，抗噪声数据的函数挖掘，太阳黑子预测等。对进一步开展基于GEP的知识发现技术的发展策略提出了自己的见解。     

基于均匀设计的基因表达式编程算法研究

提出了一种基于均匀设计的基因表达式编程的进化算法(Uniform-Design Genetic Expression Programming,简称UGEP),新算法借助均匀设计的全局均匀分散性对初始种群的产生和杂交算子进行了改进,分别设计了基于混合水平均匀表的初始种群构造法和自适应的多亲杂交均匀算子.理论分析证明UGEP具有全局收敛性,且收敛速度也优于经典的GEP.在解决函数拟合、时间序列预测等实际问题中与同类算法进行了比较,在各项实验指标上均体现出了新算法的优越性.