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.     

基因表达式编程在函数挖掘中的应用研究

基因表达式编程（GEP）是一种基于基因型和表现型的新的自适应演化算法,为克服GEP在保持种群多样性和保护最优解方面的缺陷,对经典GEP进行了改进,提出了一种基于头、身、尾三段结构和自适应变异算子的改进的基因表达式算法（GEP-FM）,并从理论上对算法的复杂度和收敛性进行了分析;同时将GEP—FM算法应用于函数挖掘．多个数值实验结果表明：该方法挖掘的模型优于传统算法及经典GEP算法,具有更高的拟合度和预测精度,     

PHVB：基于GEP的一阶谓词逻辑规则挖掘算法

为了有效挖掘一阶谓词逻辑规则,提出了一种基于基因表达式编程(GEP)技术的挖掘算法:PHVB算法.提出了规范一阶谓词规则概念;设计了量词隐含、变元绑定策略,将一阶谓词规则挖掘问题转化为GEP算法能够解决的形式;提出了基于GEP的一阶谓词逻辑规则挖掘算法PHVB算法.实验结果表明,采用PHVB算法可以有效发现一阶谓词关联规则.     

基于RFID与基因表达式编程的经济统计时序挖掘

为解决基因表达式编程(GEP)在符号回归、RFID分类及经济领域中对时序数据的挖掘速度和精度还不够的问题,提出了统计基因、统计染色体和统计时序-适应度的定义,并针对传统GEP经济时序模型进行了综合改进;提出了新颖的单变量时序和多变量时序挖掘算法,提高了GEP统计时序挖掘的速度和精度;实验表明,与传统GEP、单变量GEP时序算法相比,多变量GEP时序算法挖掘速度快,其预测精度比单变量时序算法高出5%以上.该算法同样适用于RFID以及其他经济系统中的时序数据挖掘.     

迭代一分解算法在扰乱器综合中的应用

首先阐述了迭代—分解算法在扰乱器综合中的应用及其理论依据。然后引入了Berlekamp因式分解算法,得到了F2上多项式因式分解的完整流程,并将其应用于迭代—分解算法中,有效地提高了算法的运行速度。     

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。     

CEA:基于弱势种群保护抗早熟的聚类淘汰算法

传统基因表达式编程算法(GEP)决定个体遗传权时过分依赖适应度,忽略了个体间相互关系,造成GEP算法易早熟而影响进化效率.为克服该问题,从理论上研究了造成GEP早熟的原因,并根据研究结果提出弱势种群保护抗早熟的聚类淘汰算法CEA(cluster-elutriate Algorithm);定义β-cluster及相关概念;用种群所含不同簇的数量来度量种群的多样性达到保护弱势种群.利用概率手段详细分析了个体参与下一代的机率.实验表明,基于CEA的算法能很好的防止GEP函数发现时的早熟现象,且极大地提高了函数发现效率.     

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函数挖掘--收敛性分析与残差制导进化算法

为了克服传统的数学方法在确定要发现的函数类型时需要依赖专业知识，具有主观性和盲目性及基于遗传编程(GP)的函数发现方法效率太低的问题，提出了基于基因表达式编程(GEP)新的函数挖掘方法，并分析了算法的收敛性，并根据收敛性定理提出了GEP的改进算法——残差制导进化算法RGEA。通过对GP、GEP、RGEA算法的比较实验，结果表明，在噪声数据很小的情况下，3种算法均挖掘出目标函数，但GEP比GP的收敛速度提高了20倍。RGEA比GP提高了60倍。对于函数类型未知且极为复杂的数据，GEP和RGEA在发现理想函数的速度上要比GP分别快900、1800倍。     

基于K-表达式长度的改进GEP算法研究

在基因表达式编程中,个体适应值的计算是频繁发生的操作,要动态生成和遍历大量的树,成为影响GEP算法效率的瓶颈.为此,提出了基于K-表达式长度快速求适应值的KLCF算法,实验表明KLCF算法简单有效且大大缩短演化时间;同时也提出了改进的基因表达式算法KL-GEP,实验表明,KL-GEP与GP和GEP相比,具有更高的拟合和预测精度、更快的收敛速度.     

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。     

基于表现型的基因表达式编程解空间模型研究

基因表达式编程（gene expression programming,GEP）解空间模型理论对算法性能的改进有现实指导意义。公开文献对GEP解空间模型的研究较少,鲜见针对GEP表现型的理论研究。基于此,提出一种基于表现型的GEP解空间模型。首先,通过定义GEP染色体表现型高度,给出单基因染色体和多基因染色体表现型高度确定上界的定理及证明,利用GEP算法自身函数发现的能力,探索出操作符集最小目数为1或2的GEP染色体表现型高度上界计算的通项公式,以保证GEP表现型解空间模型的确定有界性与可计算性。其次,以GEP表现型高度的确定上界定理为基础,构建基于表现型的GEP解空间模型,总结GEP表现型解空间模型的性质和定理。通过进一步定义GEP表现型的完全解空间概念,对最优解在GEP表现型解空间和完全解空间中的分布特征进行探索研究,获知在完全解空间中最优解随子空间序号的增长呈大比例增加的分布特征。基于表现型空间模型知识,提出限制GEP种群搜索空间的基本思想与控制策略,利用模型知识合理地解释公开文献中多种GEP改进算法的有效性。     

基于朴素基因表达式编程挖掘紧致函数

基因表达式编程(GEP)是一种基因型和表现型相分离的进化新模型,为了挖掘紧致的函数关系,分析了进化系统各因素对挖掘紧致函数的影响,提出了带紧致压力的适应度函数来进化函数紧致解。实验表明,带有紧致压力的适应度函数能自动进化计算机程序,适合挖掘的紧致关系,在挖掘紧致函数中,朴素基因表达式编程(NGEP)比GEP提高效率21.7%,与不带压力的系统相比,GEP的平均压缩了31.2%,NGEP系统平均压缩了42.5%;NGEP较GEP更容易发现紧致解,且函数表达形式更容易理解,丰富了NGEP理论.     

基于多目标并行基因表达式编程的电路演化算法

为提高数字电路演化的效率和成功率,在并行基因表达式编程的基础上,对电路设计中涉及的多个目标进行了定义与量化,并针对这些目标提出基于多目标并行基因表达式编程的电路演化算法(MPGEP).主要工作包括:1)设计演化电路中的GEP编码;2)利用OpenMP设计基于通用多核处理器的并行基因表达式编程模型;3)定义和量化电路演化的多个目标,利用非支配排序和适应度共享策略来提高搜索方向的空间均匀性;4)通过数字电路演化实验证明,与传统的GP和GEP算法相比,MPGEP算法不仅进化时间减少了86.1%和31.4%,同时还能得到更简单和实用的电路,得到最优电路比率提高了50.4%和38.9%;与多目标串行电路演化算法MGEP相比,MPGEP算法的进化时间减少了48.7%;与并行电路演化算法PGEP-MC相比,MPGEP算法得到最优电路的比率提高了38.3%.