利用基因表达式编程自动生成循环不变式

描述了利用基因表达式编程自动生成循环不变式的方法。该方法的基本思想是在每一次循环条件变化时记录下程序变量的值,产生相应的跟踪表,然后从跟踪表中获得程序变量之间的函数依赖关系,这种变量之间的依赖关系构成了循环不变式的主要部分。程序变量之间的函数依赖关系的获得是利用基因表达式编程对跟踪表中数据执行符号回归得到。利用VC＋＋实现了基因表达式编程的函数挖掘,并通过一个实例说明了该方法的有效性。     

一种新型遗传算法的研究

根据自然界普遍存在的进化收敛现象．本文提出了一种新型的混合遗传算法(Mix genetic algorithm．MGA)。MGA算法将生物的进化过程建模成一个在表现型与基因型两个层面上同时进行的生命过程。MGA不仅考虑了表现型层面上的进化过程，还引入了基因型层面上的进化及两个层面问的相互映射关系。本文通过二维Rosenbrock函数数值优化的例子．展示了MGA良好的在线性能指标和离线性能指标，并分析了MAG算法实际上是“r—K策略连续统”。理论分析表明．MGA算法总能以概率1收敛于最优解。MGA算法性能优良，容易编程实现，并在一定程度上克服了基本遗传算法搜索时的盲目性．有较好的应用前景。最后文中给出了计算机仿真结果。     

一种新型GEP解码方法

基因表达式编程（Gene Expression Programming）是进化算法的最新成果。它继承了遗传算法（GA）编码简单与遗传程序设计（GP）有巨大空间搜索能力的优点。提出一种新的GEP解码方法：GEP的非物理树解码算法。其在不影响原算法其他性质的情况下极大地提高了传统解码算法的运行速度,在一定程度上解决了GEP进化过程中表达式树（Expression Tree,ET）建立和释放消耗巨大时空资源的瓶颈。     

基于线性映射的多物种捕食元胞遗传算法

为提高捕食元胞遗传算法的性能及在基因型上对种群进行区分,提出一种基于线性映射的多物种捕食元胞遗传算法。该算法通过引入映射矩阵,改变种群基因型到表现型的映射关系,使不同物种间所携带的遗传信息不同。在进化过程中,不同物种采用不同的遗传方式进行交叉,并根据种群离散程度自适应调整映射矩阵系数控制种群进化方向,有效提高算法跳出局部最优的能力。对若干低维及高维典型函数进行仿真实验,将文中算法与其它同类算法对比,实验结果表明,文中算法在全局收敛率上具有较明显的优势。     

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。     

多表达式编程的函数发现问题研究

函数发现问题是数据挖掘研究领域的重要任务之一,研究了基于多表达式编程的函数发现问题,多表达式编程是进化算法最新研究热点。介绍了多表达式编程的主要思想,包括基因结构,遗传算子设计,以及基本算法流程等,阐明了基于多表达式编程挖掘函数关系的适应度函数设计方法。实验研究了多表达式编程挖掘函数关系,结果表明,多表达式编程基因编码效率高,空间利用率高,函数发现的能力强。     

基于遗传算法的词语语义相似度计算研究

语义相似度计算就是把词语间语言学上的信息映射为0到1之间的数值。基于知识本体的语义相似度计算方法,利用知识本体提供的信息,建立词语关系和语义相似度之间的函数关系,该方法可解释性强、使用简单,成为语义相似度计算的一类重要方法。提出了一种基于《同义词词林》的语义相似度计算模型,该模型运用遗传算法探索了《同义词词林》语义编码与语义相似度之间的内在联系,建立了更符合《同义词词林》中所蕴含的语义相似信息的函数关系式。该方法使用遗传算法搜索知识与语义相似度的函数表达式,克服了先验模型中函数形式及调节参数的局限性,所得计算结果与人工判定结果的皮尔逊相关系数为0.8645,为使用人工智能方法挖掘自然语言处理中的规律提供了一种新的思路和方法。     

基于病毒进化机制的基因表达式编程算法研究

结合病毒进化机制,提出一种基因表达式编程算法来解决函数拟合和序列预测等数值优化问题.该算法通过构造新的病毒更新和感染机制,有效加速种群的进化并避免早熟收敛的发生.性能分析和实验结果表明:与传统的基因表达式编程算法相比,本文算法无论在解的质量上还是在收敛速度上都要更好.最后还将本文算法应用于图像定标的实际工程中,取得较好计算效果,具有较大实用价值.     

用位操作编制遗传算法程序的一种技术

针对遗传算法编程中存在的计算效率问题 ,提出了一种基于位操作 (Bit Operation)编、解码技术 ,利用计算机储存单元中数据内码直接进行操作 ,无需作Decimal Binary之间的转换 ,可有效地提高计算过程中储存单元的利用率和计算效率 ;并给出了基于位操作的交换 ,变异等基因操作的计算方法。     

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。     

基于中性突变的朴素基因表达式编程

分子进化中性学说认为生物的进化主要是由中性突变决定的.基因表达式编程(GEP)是一种将基因型和表现型分离的新的进化模型,其突出表现在基因组存在不被表达的中性区.基于朴素基因表达式编程(NGEP)模型研究了NGEP中性区在进化中的作用.主要工作包括:1)进一步完善了基于完全树编码方案的NGEP模型的概念;2)分析了传统GEP和NGEP的基因中性区域特点,指出NGEP存在更自由灵活的中性区域;3)通过控制基因长度和基因数量,调控中性区的大小和数量,研究了NGEP和传统GEP的中性区域在进化中的特殊作用,验证了NGEP的有效性;4)实验表明,在存在相同适度的中性区域条件下,NGEP比传统GEP进化更有效,且NGEP的成功率随中性区域的增加不会发生剧烈变化.     

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。     

GEP算法解码结构复用研究

适应度评价大体可以分成解码和计算适应度值两个部分, 是进化计算中运算量最大、重复率最高的过程之一。为了有效利用已有计算结果的角度避免大量重复建树和遍历运算, 改进了GEP解码算法基本流程以降低GEP的运算量, 达到了提升运算效率的目的。采用仿真的方式对引入复用机制的GEP和传统GEP算法进行了对比实验, 从解码次数、解码所用时间等两个方面进行对照, 发现引入复用机制的GEP算法在解码次数上比传统GEP有多个数量级的优势, 在解码所需时间上也有较大的改进。     

改进的基于层次距离的基因表达式编程特征选择分类算法

针对一般特征选择算法未能揭示数据特征与数据类别之间的可解释性映射关系的问题,在基因表达式编程（GEP）的基础上,通过引入初始化方法、变异策略以及适应度评价方法,提出了一种改进的基于层次距离的GEP特征选择分类算法（FSLDGEP）。首先,利用定义的选择概率有导向地初始化种群个体,从而增加种群中有效个体的数量;其次,定义个体的层次邻域,使种群个体基于其层次邻域进行变异,并解决了变异过程中的盲目无导向性问题;最后,将维度缩减率与分类准确率结合起来作为个体的适应度值,从而改变种群单一优化目标的进化模式,并平衡两者之间的关系。在7个数据集上进行5折交叉和10折交叉验证,所提算法给出了数据特征及其类别之间的函数映射关系,将得到的映射函数用于数据分类。与森林优化特征选择算法（FSFOA）、邻域软边界特征选择算法（NSM）、基于邻域有效信息比的特征选择算法（FS-NEIR）等对比算法相比,所提算法的维度缩减率在Hepatitis、WPBC（Wisconsin Prognostic Breast Cancer）、Sonar、WDBC（Wisconsin Diagnostic Breast Cancer）数据集上得到了最好结果;与对比算法相比,所提算法的平均分类准确率在Hepatitis、Ionosphere、Musk1、WPBC、Heart-Statlog、WDBC数据集上得到了最好结果。实验结果验证了所提算法在特征选择分类问题上的可行性、有效性和优越性。     

一种新型的GEP算法及应用研究*

提出一种适合于GEP表达式树构造的新方法,以及相应的新解码方法(GPED).通过实验对比,GPED可大大缩短演化时间.提出一种新的算法GPEP,将GPEP应用于碎石桩复合地基承载力预测,结果表明GPEP算法在预测精度和演化效率上均超过遗传神经网络、GP等算法.     

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。     

基于GEP的非线性系统辨识算法

基因表达式编程(GEP)是一种基于基因组和表现型组的新型遗传算法,本文提出了一种基于GEP的非线性系统辨识算法。针对非线性系统的特点,本文基于GEP建模作了如下工作:在对象的结构和参数未知的情况下,首先进行参数恒定时的系统辨识,然后进行运行期间非线性环节参数发生变化时的辨识。实验结果表明该算法能够更加迅速的得出非线性部分直观近似的数学表达式,比用遗传编程(GP)优越两个数量级以上,是一种有效可行的算法。