基于克隆选择和量子进化的GEP分类算法

基于基因表达式编程(GEP)的分类算法具有较高的精度,但易陷入局部最优,且搜索时间长.为进一步提高GEP分类算法的分类能力,提出了基于克隆选择和量子进化的GEP分类算法——ClonalQuantum—GEP.该算法通过量子种群的更新和探测影响抗体种群的搜索方向和进化能力,并通过记忆池保持最优解,使其具有更好的种群多样性、更强的全局寻优能力和更快的收敛速度.在几个标准数据集上的实验验证了算法的有效性.与基本的GEP算法相比,ClonalQuantum-GEP能以较小的种群规模和较少的进化代数获得较理想的分类效果.     

基于适应度方差度量种群多样性的GEP算法

为了保持进化过程中种群的多样性,提高算法的收敛速度,保护进化过程中的较优个体,对标准基因表达式编程(GEP)算法进行了改进,提出了一种基于适应度方差度量种群多样性的GEP算法(GEP based on population diversity measure by variance of individuals' fitness,DM-GEP).该算法以个体适应度方差来度量种群多样性,设计了自适应变异算子,使得变异率随着种群多样性情况而变化,且同时兼顾了种群的稳定性以及进化过程中较优个体的保护.仿真结果表明,DM-GEP提高了收敛速度和精确度.     

基于克隆选择和量子进化的GEP分类算法

基于基因表达式编程(GEP)的分类算法具有较高的精度,但易陷入局部最优,且搜索时间长。为进一步提高 GEP分类算法的分类能力,提出了基于克隆选择和量子进化的GEP分类算法—C1onalQuantum-GEP。该算法通过 量子种群的更新和探测影响杭体种群的搜索方向和进化能力,并通过记忆池保持最优解,使其具有更好的种群多样 性、更强的全局寻优能力和更快的收敛速度。在几个标准数据集上的实验验证了算法的有效性。与基本的GEP算法 相比,C1onalQuantum-GEP能以较小的种群规模和较少的进化代数获得较理想的分类效果。     

基于基因表达式编程的信用评估模型挖掘方法

提出了一种基于基因表达式编程(GEP)的信用评估模型挖掘方法GEP-CREDIT。该方法基于客户信贷数据，利用GEP算法自动进行属性筛选，并进行属性融合，在此基础上训练和建立信用评估模型。在德国信用数据库真实数据集上做的实验和性能分析表明,基于GEP的信用评估模型挖掘方法较Nave Bayes算法的预测精度提高了3%；较SVM算法的预测精度提高了1.6%；较KNN(K=17)算法的预测精度提高了6.83%。     

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。     

基于统计分析和停滞速度的GEP自动建模*

介绍了基因表达式程序设计的基本原理,并针对经典GEP算法存在的不足提出了一种基于统计分析和停滞速度的改进GEP算法——SACVGEP。其特点在于：用重复体统计的方法改进了初始种群的生成;提出停滞速度概念;引入了动态变异算子。最后,将该算法用于求解复杂函数自动建模并与传统方法、神经网络方法、经典GEP方法等进行比较。实验结果表明,用此方法建立的模型比传统方法、神经网络方法、经典GEP等方法具有更好的性能。     

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%。     

基因表达式编程在重金属形态预测建模中的应用研究

提出一种改进的GEP(Gene Expression Programming)算法。根据重金属(HM)形态随时间变化(HMFT)的特点,建立基于跳跃基因表达式编程(JM-GEP)的重金属形态预测模型。跳跃算子是该模型的关键。为了保持种群多样性,研究最优保留策略GEP的收敛特性,跳跃算子采用自适应的跳跃概率。针对改进后的JM-GEP算法,提出一种基于GEP的重金属形态预测建模方法。仿真结果表明新模型更适合于HMFT的特性函数,找到全局最优解,且明显优于经典GEP算法及其他算法。该新模型方法还可广泛用于其他时间序列预测问题的研究。     

多目标免疫GEP 算法及其在多项式NARMAX模型辨识中的应用

基于免疫细胞亚群划分理论和生命周期理论,提出一种用于多项式非线性自回归滑动平均(NARMAX)模型辨识的多目标免疫GEP算法,并重新定义了适合于NARMAX模型辨识的细胞创建算子和基因操作算子.该算法基于多目标优化的最优解通常为一个集合的特点,通过各亚群的最优解集在总最优解集中的变化来判断各亚群所对应参数的优劣,进而确定下一步的搜索方向.仿真结果表明,多目标免疫GEP算法可以同时正确地辨识出非线性系统的结构和参数.     

小型无人直升机模型辨识数据处理方法研究

针对小型无人直升机模型频域辨识过程中的姿态角速率测量误差,提出了一种飞行数据处理方法。该方法采用飞行试验扫频测试技术,确保激励信号能够满足不同频段下模型辨识对飞行数据的需求;设计基于有色噪声的卡尔曼滤波器以降低紊流风场对飞行测量数据的影响,同时,对飞行测量数据使用数据预处理的方法以剔除测量噪声、野值、直流成分和低频分量。在小型无人直升机系统各通道中进行验证,验证结果表明,所提出的飞行数据处理方法能够满足小型无人直升机模型辨识对姿态角速率数据精度的要求,为精确建模提供了较高质量的飞行数据。     

海量种群基因表达式编程的内存删冗算法

在大样本、多种群、高进化代数的情况下,基因表达式编程(GEP)容易产生冗余个体染色体有效串,从而影响计算性能。为解决该问题,提出一种基于内存检测种群冗余的算法MPRRGEP。分析单基因、多基因对种群冗余性的影响,设计个体染色体有效性的测度方法。提出内存Hash种群映射删冗算法,在内存中索引个体染色体数据,减少相同有效串的重复计算次数,大幅提高GEP计算性能。实验结果表明,相比传统GEP算法,MPRRGEP算法平均减少60%以上的计算时间。     

一种改进的GEP方法及其在演化建模预测中的应用

为了提高预测的准确性,结合基于突变算子的基因表达式和一种基于群体搜索技术的演化算法,提出了改进的GEP方法,并用其对数据进行演化建模。实例测试的结果表明,使用改进的GEP方法得到的模型要优于GP和单纯的GEP方法得到的模型,本方法具有良好的拟合度和预测精度。     

开放尾部的基因表达式程序设计

基因表达式程序设计（GEP）的染色体由具有特殊限制的头、尾组成,并要求尾部符号严格取自基本的终端集。这一做法作用明了、易于表述,基本为现有GEP所采纳,但不利于语义计算的重用。谋求突破尾部限制条件,探究一种开放尾部的新型GEP算法。该算法将运行过程产生的优良个体动态地引入种群个体的基因,从而实现运算精度的提升。符号回归实验表明,开放尾部的GEP算法在平均精度性能上要优于主流GEP方法。     

基于随机基因交叉与多倍体策略的遗传算法

针对经典遗传算法的早熟及精度问题进行了研究,提出了一种基于随机基因实数交叉与多倍体策略的遗传算法。借鉴生物界中多倍体的概念,采用了实数编码并利用多倍体分别保存最优单体、保留单体及变异单体,从而组成多样性种群;选择操作采用了轮盘赌算法;交叉操作引入随机基因交叉概念。最后应用测试函数对算法进行测试,并与经典遗传算法进行了比较。仿真实验结果表明,该改进算法不仅保持了种群的多样性,有效抑制了早熟收敛,还降低了算法的复杂度,提高了搜索精度,使得算法能以较高的精度达到复杂高维度函数的全局最优。     

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％。     

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。     

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。     

基因表达式编程中的优势种群产生策略

初始种群是影响基因表达式编程算法(GEP)的重要因素之一.提出可以产生具有较高个体适应度和基因多样性种群的优势种群产生策略.优势种群产生策略继承了基因空间均匀分布策略和精英个体产生策略的优点,产生的初始种群最高适应度个体的适应度较高,而且种群具有基因多样性特征.实验表明,优势种群产生策略可以显著提高进化的成功率,从而提高系统的进化效率.     

基于基因水平多样性的微种群教与学优化算法

种群多样性对微种群教与学优化算法的性能有极大影响。为进一步提高其性能,提出一种基于基因水平多样性的微种群教与学优化算法(MTLBO-GLD)。该算法从基因水平上对种群多样性进行监测;并使用混沌搜索和余弦函数分阶段进行扰动以增加种群多样性。所提算法与八种元启发式算法(四种微种群算法和四种非微种群算法)在13个测试函数上进行性能比较。实验结果表明,MTLBO-GLD的整体性能要显著好于其他八种对比算法。     

基于SOKID的无人动力伞模型辨识

对具有独特飞行特性的无人动力伞(Unmanned Powered Parafoil,UPP)进行了研究,建立了无人动力伞九自由度非线性动力学方程,研究了观测器/卡尔曼滤波辨识算法和改进的子空间观测器/卡尔曼滤波辨识算法.根据系统的飞行数据,辨识得到系统的纵向状态空间模型,分析了两种辨识模型的俯仰角响应特性和辨识精度.仿...