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.     

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.     

自适应WPM抗干扰系统中的WPT优选算法研究

为提高自适应小波包调制(WPM)系统抗窄带干扰能力,提出一种基于单音干扰的小波包树(WPT)优选算法.算法以误码率(BER)和有限信号传输能量为条件构造WPT节点处的代价函数,将树优选问题转化为搜索拉格朗日最小代价函数问题,通过剪枝方式搜索窄带干扰下的最优树.理论分析和仿真结果表明,优选算法在窄带干扰环境下能够简单准确地搜索到最优树,在不需要定时发送训练序列的条件下显著提高自适应WPM系统抗窄带干扰能力.     

基于AHMRRT的移动机器人路径规划算法

为解决单向快速探索随机树(rapid exploring random tree,RRT)算法路径规划效率低且易陷入局部极小点的问题,提出了一种自适应启发式多快速探索随机树(adaptive heuristic multiple rapid exploring random tree,AHMRRT)路径规划算法.一方面,基于多随机树构建策略的AHMRRT算法可以在起始点、目标点、子目标点生成4棵随机树,同时进行扩展搜索,从而提高路径规划效率;另一方面,通过在单棵随机树生长过程中添加自适应启发式偏置因子,AHMRRT算法可以根据环境中障碍物的情况自适应地改变新节点的生成策略.探索自由空间时,该算法可以在偏置因子的作用下迅速向目标点扩展以提高搜索效率;探索多障碍物空间时,该算法将调用随机采样函数以防止落入局部最优.在仿真实验中,设计了4种环境下AHMRRT算法与随机概率目标快速探索随机树(probability goal RRT,PGRRT)、双向快速探索随机树(bidirectional RRT,BRRT)算法的对比实验,仿真实验结果证明了该算法的可行性和高效性.     

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.     

改进的GEP算法在演化建模中的应用

提出了新的计算个体适应度的算法.此算法不需要构造表达式树,在计算基因有效长度的同时,直接对染色体进行操作得到该染色体的适应度值.实验证明,采用这种方法不仅简单有效,而且能提高运算的速度.     

基于遗传算法的最小生成树算法

以图论和遗传算法为基础 ,提出了一种求最小生成树的改进遗传算法 .该算法采用二进制编码表示最小树问题 ,用深度优先搜索算法进行图的连通性判断 ,并设计出相应的适应度函数、单亲换位算子和单亲逆转算子以及四种控制性进化策略 ,以提高算法执行速度和进化效率 .与Kruskal算法相比 ,该算法能在一次遗传进化过程中获得一批最小生成树 ,适合于解决不同类型的最小树问题     

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).     

满足度量性质的归一化树编辑距离

利用树大小和树编辑距离的简单函数提出了一种归一化树编辑距离,在权重函数具有度量性质且所有插入和删除操作的权重都相等时,不仅能完全满足三角不等式,而且是一种取值在[0,1]的度量.这种距离可以由树编辑距离直接计算得到,其计算时间复杂度与树编辑距离相同.通过手写数字识别实验说明,AESA算法利用该距离获得的识别率为91.6%,比其他2种归一化树编辑距离分别高0.2%和0.8%.     

多维数据的改进最小生成树聚类算法

针对传统的应用于基因表示的最小生成树(MST)聚类算法在时间复杂度和聚类质量上的不足,提出了一种新的应用于数据处理的改进最小生成树(IMST)的聚类算法.该算法在提高构造最小生成树的效率的同时,通过对初步划分的生成树用矩阵表示,以度最大的结点作为聚类中心,再根据中心点算法完成聚类,解决了以往最小生成树算法无法解决的多个簇用短边或长度相同的边相连无法分类的问题,从而提高了聚类速度,改善了聚类的质量.通过对多维数据进行分析,计算各个属性的差异度,得出结论:一些属性的存在对于构造最小生成树有很小的影响或没有影响,删除这些属性列也可以提高效率,达到减少计算复杂性的目的.     

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.     

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%.     

基因表达式编程及其在混凝土徐变分析中应用

混凝土徐变分析在混凝土结构应力计算和变形分析中有着重要意义。由于影响混凝土徐变的因素较多,徐变函数呈现高度非线性,传统回归方法难以取得令人满意结果。基因表达式程序设计方法,吸取了遗传算法和基因编程两者的优点,在解决非线性拟合问题方面表现出非凡的数据挖掘能力与优势。在基因表达式编程理论分析基础上,利用该方法建立了混凝土徐变函数知识挖掘模型。实例表明,该模型比常规方法得到的函数有更高的精度。