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。     

基于协同进化基因表达式编程的函数发现研究

基因表达式编程（GEP）算法是一种具有强大函数发现能力的新型进化算法。GEP在函数发现时如何确定合适的数值常量对算法的性能具有很大影响。提出了一种基于协同进化基因表达式编程的函数发现算法（GEP-DE）,该算法的最大改进在于一种新的常量优化方法：在每一代中将函数发现的过程分为两个阶段：第一阶段,由标准GEP算法结合固定常量集确定函数结构;第二阶段,使用差分进化算法（DE）对第一阶段得出的函数结构的常量进行优化。实验结果表明,GEP-DE算法比重要文献中的常量处理方法其效果有较大提升,并且算法的综合性能也优于最新重要文献提出的GEP算法。     

基于改进型基因表达式编程的神经网络优化设计

提出一种用基因表达式编程(GEP)自动设计神经网络的算法.针对标准GEP算法在优化神经网络过程中的早熟现象和变异率低问题,对算法进行了改进,并给出算法的具体应用实例.与其它优化算法的对比实验表明,GEP是一种有效的神经网络设计方法,并且改进的GEP算法比标准GEP算法进化效率高,将收敛率提高了37个百分点,收敛速度快,进化代数仅是标准算法的58%.     

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%。     

双群体伪并行差分进化算法研究及应用

为了提高差分进化算法的全局搜索能力和收敛速率,本文提出了一种双群体伪并行差分进化算法.该算法结合差分进化算法DE/best/2/bin变异方式局部搜索能力强、收敛速度快,和DE/rand/1/bin变异方式全局搜索能力强、鲁棒性好的特点,采用串行算法结构实现并行差分进化算法独立进化、信息交换的思想.为使初始化个体均匀分布在搜索空间,提高算法收敛到全局最优解的鲁棒性,提出了一种基于平均熵的初始化策略.典型Benchmarks函数测试和非线性系统模型参数估计结果表明,该方法能显著提高算法的收敛速率和全局搜索能力.     

加权变异策略动态差分进化算法

针对差分进化算法在解决高维优化问题时易早熟收敛、求解精度低和参数设置麻烦等问题,提出一种加权变异策略动态差分进化算法（WMDDE）。为了动态平衡全局搜索与局部搜索能力,跳出局部最优,将标准差分进化算法的变异策略DE/rand/1和DE/best/1进行加权组合,提出两种新的随机扰动加权变异算子。提出一种动态自适应调整缩放因子和交叉概率因子的策略,避免参数设置的麻烦,提高算法的稳定性。在11个Benchmark函数上的测试结果表明,新算法能有效避免早熟收敛,全局寻优能力强,且在高维时寻优速度、求解精度和稳定性均优于4种DE进化算法。     

用态势模型预测基因表达式编程的进化难度

在基因表达式编程(gene expression programming,简称GEP)中,由于不同问题得到的适应度-距离相关系数(fitness-distance correlation,简称FDC)值很相近,所以难以用FDC预测GEP求解不同问题的进化难度.为了解决该问题,提出了态势模型及其区间密度指标来预测GEP的进化难度.主要工作包括:(1)提出了GEP染色体之间的距离和态势模型的新概念;(2)提出了态势模型中的区间密度指标;(3)从动力学角度证明了态势模型是对GEP原搜索空间的一种映射,并且该映射保持了种群在原搜索空间中移动的动力学性质;(4)分析了用态势模型区间密度预测GEP进化难度的合理性;(5)用实验验证了区间密度能够准确预测GEP求解问题的进化难度.     

基于均匀设计的GEP算法研究与应用

提出了一种基于均匀设计的基因表达式编程算法(UGEP)，该算法对经典的GEP算法做了以下改进：利用混合水平均匀表的构造对初始种群的产生进行改进，保证了解分布的均匀性；引入自适应多亲杂交算子，用均匀优化代替随机进化。从理论上分析并证明了UGEP更具有全局收敛性，且收敛速度也优于经典的GEP。试验结果也证明，在求解函数拟合和时间序列预测等实际问题时，对比同类算法，UGEP算法体现出了较大的优越性。     

多变异策略差分进化算法的研究与应用

标准差分进化(DE)算法在高维多峰等复杂函数优化时易出现早熟现象,并且算法后期收敛速度较慢。为此,研究2种标准差分进化算法的变异策略(DE/rand/1和DE/best/1),并将其进行串行组合,提出一种多变异策略的差分进化算法(MDE)。在4个Benchmark函数上的测试结果表明,在多变异策略下,通过对MDE算法控制参数的调整能有效拓展和平衡改进后算法的全局与局部搜索能力,其所得最优解的精度、算法的收敛速度都较标准差分进化算法有明显优势,能较好地解决电力负载分配问题。     

差分进化粒子群混合优化算法的研究与应用

对基本粒子群算法（PSO）和差分进化算法（DE）进行了分析,有机结合两种进化算法提出了一种新型差分进化粒子群混合优化算法,该算法将优化过程分成两阶段,两分群分别采用PSO算法和DE算法同时进行。迭代过程中引入进化速度因子并通过群体间的信息交流阻止算法陷入局部最优。对4个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度,全局搜索能力均优于常规PSO和DE。将提出的改进算法用于乙烯收率软测量建模,应用结果表明模型精度较高、泛化性能较好。     

基于装袋GEP分类器集成的信用评估

为提高信用评估的预测精度,提出一种基于装袋的基因表达式编程(GEP)多分类器集成算法。该算法采用Bagging方法将GEP产生的多个差异基分类器进行集成。在德国信用数据库真实数据集上的实验及性能分析表明,该算法较SVM算法的预测精度提高约2.7%;较KNN(K=17)算法的预测精度提高约7.93%;较单GEP分类算法的预测精度提高约1.1%。     

An improved differential evolution based on roulette wheel selection for shape and size optimization of truss structures with frequency constraints

Structural optimization with frequency constraints is well known as a highly nonlinear and complex optimization problem with many local optimum solutions. Therefore, to solve such problems effectively, designers need to use adequate optimization methods which can make a good balance between the computational cost and the quality of solutions. In this work, a novel differential evolution (DE) is proposed to solve the shape and size optimization problems for truss structures with frequency constraints. The proposed method, called ReDE, is a new version of the DE algorithm with two improvements. Firstly, the roulette wheel selection is employed to choose members for the mutation phase instead of random selection as in the conventional DE. Secondly, an elitist selection technique is applied to the selection phase instead of basic selection to improve the convergence speed of the method. The efficiency and reliability of the proposed method are demonstrated through five numerical examples. Numerical results reveal that the proposed algorithm outperforms many optimization methods in the literature.

     

基于GEP的最小二乘支持向量机模型参数选择

针对最小二乘支持向量机的多参数寻优问题,提出了一种基于基因表达式编程的最小二乘支持向量机参数优选方法.该算法将最小二乘支持向量机参数(C,σ)样本作为GEP的基因,按其变异算子随着进化代数和染色体所含基因数目动态变化的机制执行,其收敛速度和精确度大大提高.并与基于粒子群算法和遗传算法参数优选方法比较,通过标准测试函数验证了该算法的拟合误差最低.最后用其建立氧化铝生产蒸发过程参数预测模型,应用工业生产数据进行验证,实验结果表明该方法有效且获得了满意的效果.     

基于改进的基因表达式编程的复杂函数建模

介绍了基因表达式程序设计方法的基本原理，针对求解复杂函数模型反问题中经典GEP算法多样性表现不足，甚至出现早熟的问题，提出了一种基于动态变异算子的改进的GEP算法——IGEP算法，从理论上对该改进算法进行了复杂度分析和收敛性分析。通过求解复杂函数模型反问题的多个实验将改进算法与传统方法、神经网络方法、经典GEP算法进行了对比，结果表明：该方法建立的复杂函数反问题拟合模型比经典GEP方法、传统方法、神经网络方法得到的模型更加优秀。     

A novel mutation strategy selection mechanism for differential evolution based on local fitness landscape

The performance of differential evolution (DE) algorithm highly depends on the selection of mutation strategy. However, there are six commonly used mutation strategies in DE. Therefore, it is a challenging task to choose an appropriate mutation strategy for a specific optimization problem. For a better tackle this problem, in this paper, a novel DE algorithm based on local fitness landscape called LFLDE is proposed, in which the local fitness landscape information of the problem is investigated to guide the selection of the mutation strategy for each given problem at each generation. In addition, a novel control parameter adaptive mechanism is used to improve the proposed algorithm. In the experiments, a total of 29 test functions originated from CEC2017 single-objective test function suite which are utilized to evaluate the performance of the proposed algorithm. The Wilcoxon rank-sum test and Friedman rank test results reveal that the performance of the proposed algorithm is better than the other five representative DE algorithms.

     

基于多线程评估的基因表达式编程算法

分析了基因表达式编程(GEP)算法的性能关键,指出提升的一个重要瓶颈是在个体评估阶段;结合多核CPU并行计算能力,提出了基于多线程评估的GEP算法(MTEGEP),并通过实验验证了MTEGEP的高效性：在双核CPU环境下MTEGEP运算速度是传统GEP的1.89倍,而在8核CPU环境下达到了6.48倍。实验结果表明该算法能有效提升GEP算法的性能。     

Colonial competitive differential evolution: An experimental study for optimal economic load dispatch

Differential evolution (DE) algorithm is a population-based algorithm designed for global optimization of the optimization problems. This paper proposes a different DE algorithm based on mathematical modeling of socio-political evolution which is called Colonial Competitive Differential Evolution (CCDE). The two typical CCDE algorithms are benchmarked on three well-known test functions, and the results are verified by a comparative study with two original DE algorithms which include DE/best/1 and DE/rand/2. Also, the effectiveness of CCDE algorithms is tested on Economic Load Dispatch (ELD) problem including 10, 15, 40, and 140-unit test systems. In this study, the constraints and operational limitations, such as valve-point loading, transmission losses, ramp rate limits, and prohibited operating zones are considered. The comparative results show that the CCDE algorithms have good performance and are reliable tools in solving ELD problem.     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。