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.     

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。     

基于GEP基因约简策略的多项式因式分解

将基于基因表达式编程(GEP)的公式发现技术用于多项式因式分解。对标准GEP中个体染色体适应度评价算法和遗传算子进行了改进,提出了一种新的基于GEP的基因约简算法及多项式因式发现算法(以下称FactorGEP算法),分析了多项式因式发现的特殊困难,提出了将有效基因个数作为适应度评价因素的解决方案。试验结果表明,FactorGEP算法完全不需要关于分解的多项式的任何先验知识,可以自动对多项式进行因式分解,并找到最佳的分解。     

基于基因表达式编程的进化模式定理

基因表达式编程(GEP)从提出迄今尚无完整的理论体系,严重阻碍了GEP的发展.为解决该问题,首先从理论上深入地研究了GEP计算模型:定义了GEP基因模式及相关的概念,采用概率办法详细分析了单基因GEP应用实例在进化过程中各算子的作用,根据分析结果推导出GEP模式定理,通过实验验证了GEP模式定理的正确性.GEP模式定理的提出,为GEP算法改进评估提供了量化的依据.     

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,     

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。     

基于基因表达式编程的进化计算模式定理

基因表达式编程（GEP）从提出迄今尚无完整的理论体系,严重阻碍了GEP的发展。为解决该问题,本文从理论上深入的研究了GEP计算模型：定义了GEP基因模式及相关的概念,采用概率办法详细分析了单基因GEP应用实例在进化过程中各算子的作用,根据分析结果推导出GEP模式定理,通过详细的实验验证了GEP模式定理的正确性。GEP模式定理的提出,为GEP算法改进评估提供了量化的依据。     

基因表达式编程在空间插值中的应用

空间内插是地理信息系统数据处理的常用方法之一.常用的空间插值方法存在难于客观地确定插值函数结构和参数的问题.基因表达式编程(GEP)是一种新型的遗传算法,具有极强的函数发现能力和很高的效率,并且在函数发现时不需要任何先验知识.将基因表达式编程技术应用到空间插值方法中,提出了移动拟合GEP算法(MF-GEP),无需预存函...     

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.     

基于多目标基因表达式编程的电路演化算法

为提高电路演化的效率和成功率,对电路设计中涉及的多个目标进行了定义与量化,并针对多目标优化问题,在基因表达式编程（GEP：Gene Expression Programming）的基础上,提出了基于多目标基因表达式编程的电路演化算法（MGEP：Multi-Objective Gene Expression Programming）。设计了演化电路中的GEP编码,定义和量化了电路演化的多个目标,利用非支配排序和适应度共享策略提高搜索方向的空间均匀性。通过数字电路演化实验证明,MGEP算法与GP算法相比进化时间减少了72．9％,同时得到的电路更简单实用,得到最优电路的比率分别比GP和传统的GEP提高了50．4％和38．9％。     

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.     

基因表达式编程ORF过滤算子的设计和实现

基因表达式编程(GEP)的个体代表了问题的候选解。在缺乏先验知识的情况下,个体长度的设定是个"两难"问题,过长或过短都会降低GEP的效率。对此,分析了个体长度对GEP求解效率的影响;设计了开放阅读框(ORF)过滤算子根据最优个体的进化历程动态调节个体的有效编码区域;验证了ORF过滤算子的有效性,实验结果表明,在同样的进化代数内,引入ORF过滤算子,GEP能进化出更高适应度的最优解且减少平均运行时间17.0%。