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。     

基于多表达式编程的分类算法研究

多表达式编程是一种基因可复用的线性遗传程序设计方法,目前已应用于许多数据挖掘问题,但在分类问题中的研究还比较少.针对多表达式编程的编码特点并结合现有分类方法,提出一种新的分美算法.该算法将分类规则蕴含于多表达式编程的染色体内,并按照适者生存的原则对分类规则进行演化挖掘.实验表明该算法具有可行性,能够达到较高分类精度.     

双系统协同进化的基因表达式编程及其在函数发现中的应用

受人类进化过程的启发,提出了一种双系统协同进化的基因表达式编程算法DSCE-GEP。DSCE-GEP由自然进化系统和人工干预系统组成。人工干预系统包括个体干预和种群干预。个体干预是依据基因库对种群中的个体进行去劣和增优操作,旨在改善种群中个体的质量;种群干预通过引入随机和镜像个体来提高种群的多样性和全局寻优能力。与权威文献中改进的GEP关于函数发现问题的大量对比实验表明,本文算法在收敛速度、求解质量方面优于对比算法,具有明显的竞争力。     

基于基因表达式编程的电力负荷预测算法

针对电力负荷预测的特点,本文结合基因表达式编程的思想,设计电力负荷预测基因和适应度函数,在此基础上,提出基于基因表达式编程的电力负荷预测算法(Power Load Forecasting based on Gene Expression Programming,PLF-GEP)。仿真实验表明,PLF-GEP算法的预测精度与实际值之间的误差率最小约1%,大大提高了电力负荷预测的精度。     

基于基因表达式编程的知识发现--沿革、成果和发展方向

综述了基于基因表达式编程(Gene Expression Programming,GEP)的知识发现技术的沿革、特色和成果。剖析了GEP中通过简单编码解决复杂问题的关键技术。特别介绍了在这一领域的工作成果,如基于GEP的多项式因式分解,频繁函数挖掘,抗噪声数据的函数挖掘,太阳黑子预测等。对进一步开展基于GEP的知识发现技术的发展策略提出了自己的见解。     

小生境基因表达式编程在函数发现的研究

提出一种基于小生境的GEP改进算法,将改进k-均值的聚类分析与遗传机制相结合,通过调节最小聚类距离,控制收敛的小生境数目,以提高算法跳出局部最优的能力.将改进算法应用在函数发现问题中并与基本GEP算法结果进行对比,实验表明改进算法具有更高的精度和更强的寻优能力.     

基于基因表达式编程的抗噪声数据的函数挖掘方法

用传统基因表达式编程(GEP)适应度机制挖掘函数关系容易受到噪声干扰,导致结果失真．为此做了如下探索：①借鉴生物具有的“趋利避害”天性,提出了GEP的“弱适应模型”,以实现在含噪声的数据集上挖掘函数关系;②提出新概念“带内集”、“带外集”并用于划分训练数据集;③设计了在弱适应模型下基于相对误差计算适应度的算法REFA;④用详尽的实验验证了REFA的有效性,当测量数据的噪声率为3．33％时,与传统方法相比,REFA方法的成功率提高了3倍,产生结果的平均相对误差从7．899％降低到2．320％．     

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。     

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...     

一种改进的克隆选择算法在多峰值函数优化中的应用

为了解决deCastro2002年提出的CLONALG算法在多峰值函数优化时多峰搜索能力弱、训练时间长的问题,本文提出了一种改进的克隆选择算法。该算法运用新的克隆选择操作、克隆变异操作和最佳抗体停止进化操作,并且引入了抗体抑制操作,不仅可以动态调整种群大小,具有较强的全局和局部搜索能力,而且搜索时间较短。与Castro的克隆选
择算法相比,本文算法在较短的时间内可以搜索到全局最优解和更多的局部最优解。     

改进和声搜索算法求解一般整数规划问题

设计了一种改进的和声搜索算法对一般的整数规划问题进行求解,在计算机上予以实现。经实验测试,相对遗传模拟退火算法和混合遗传算法,获得了同样甚至更好的解。由于改进和声搜索算法使用灵活,因此对于线性和非线性的整数规划问题都能进行求解。     

改进PSO算法在多无人机协同任务分配中的应用

针对多无人机协同任务分配越来越复杂的问题,采用一种改进的阶层分级粒子群优化算法（HGIWPSO）获得最优分配方案。首先,根据粒子适应度值将种群动态划分为三个不同阶层,依据不同阶层粒子特性选择合适的学习模型,并引入独立权重思想调节惯性权重大小,平衡算法全局与局部搜索能力,提高算法性能;然后,建立协同多任务分配问题模型,采用多余负载竞拍方案减少非法劣解,通过实数编码建立粒子和实际分配方案之间的映射关系,解决实际分配问题。实验结果表明,该算法能够有效解决复杂约束条件下多无人机协同任务分配问题,得到最优分配序列,具有一定的理论以及实际意义。     

基因表达式编程算法的改进及其应用研究

基因表达式编程（GEP）算法采用简单编码方式解决了复杂的公式发现问题。本文分析了基本的GEP算法中关键参数、常数集、符号集等设置对公式发现的影响和规律,提出了GEP算法的改进方法,并将其应用在隧道工程领域,得到了双圆盾构施工横向和纵向的地面沉降预测公式,与实测值的比较表明所发现的公式有很好的吻合度。     

多细胞基因表达式编程的函数优化算法

针对处理复杂的函数优化问题时传统演化算法易出现收敛性能不佳、搜索冗长和精度不高等问题,提出了一种基于多细胞基因表达式编程的函数优化新算法.该算法引入了同源基因和细胞系统思想,设计了相应新的个体编码方案、种群生成和遗传操作策略.通过对8个Benchmarks函数的对比实验,验证了该算法具有很强的全局寻优能力、较佳的收敛性能和更高的解精度.     

改进果蝇优化算法在多目标搜索的应用

在实际工程优化问题中多数问题是多目标优化问题,多目标优化问题一直以来就是智能算法的研究热点。提出一种改进的果蝇优化算法,将其应用在多目标搜索领域,并成功使用该算法解决了一种多目标背包问题。算法在基本果蝇优化算法的基础上采用分群策略和动态半径,在群A中从种群位置开始以动态半径探索新的可行解,在群B中则通过非支配个体之间的交叉操作进行密集搜索。果蝇种群的位置在每一轮迭代产生的非劣解集中进行选取,提高了算法的收敛速度。通过在多个数据集下进行测试,并和粒子群算法、NSGA-2做了对比实验,最终结果显示使用该算法在特定条件下能取得较好的搜索效果,证明了使用果蝇优化算法解决多目标问题的可行性。     

基于改进的遗传算法在函数优化中的应用

针对传统遗传算法在函数优化过程中容易陷入局部最优解、收敛慢等缺点,提出了一种新的自适应遗传算法NAGA。该算法考虑了种群适应度的多种集中分散程度,并且非线性地自适应调节遗传算法的交叉概率与变异概率;为了加快寻优效率,在选择算子方面将引进的选择算子与最优保存策略相结合;为了使遗传操作过程中种群数量恒定,又提出了保留亲本的策略。通过仿真实验发现,与经典遗传算法GA和IAGA相比,改进的自适应遗传算法在收敛速度与精准度等方面都有较大的进步。     

改进的基因表达式程序设计及其在函数建模中的应用

该文提出了一种改进的基因表达式程序设计的遗传进化算法PGEP，新的算法引入三个算子：（1）基于精英保存策略的精英子空间算子；（2）基于全局收敛策略的变重组、变换概率Pc和变变异概率Pm算子；（3）基于群体搜索技术的变维子空间算子。将改进的基因表达式程序设计应用于函数建模，获得满意的结果。     

改进量子遗传算法在函数寻优中的应用

标准的量子遗传算法容易陷入局部最优,且在定义域范围较广的函数寻优中易出现优化精度不高的情况。将量子交叉与模拟退火操作适当地加入量子遗传算法中可以有效地避免算法陷入局部最优解。根据第一次的优化结果,缩小算法寻优区域,以提高算法寻优的精确度。最后对其用复杂二元函数进行测试,计算结果表明,通过该改进方式明显提高了优化算法的性能。