基于基因表达式编程算法的数据驱动型平板闸门流量计算方法

灌区是国家水网建设的重要内容,精准量测和控制过闸流量过程是灌区用水管理的关键。为实时获取高精度的平板闸门过流量,以物理试验为基础,首先采用仿真模型分析了不同工况下闸前闸后流线与流速分布、水深-流量变化关系,其次,以仿真模型的模拟结果作为训练集,采用基因表达式编程算法(Gene Expression Programming,GEP)构建了融合闸前/后水深与开度的闸门过流量算法,并以更多的仿真模型模拟结果作为测试集,对比分析了该算法的性能。结果表明:①fluent数值模拟能在不同闸门开度和流量组合下重现复杂流线和流速分布过程,且模拟的流量过程与实测结果拟合良好,但效率低下,无法满足实际闸控的实时性需求;②GEP算法能够保持仿真模型的精度,且能达到实时计算;③与存在多个率定参数的经典闸孔出流分段公式相比,无任何率定参数的GEP算法的精度更高;④以仿真模型的模拟结果为基准,GEP算法比BP神经网络的精度更高、泛化性更好。因此,GEP算法更适宜平板闸门过流量的计算,可为灌区用水管理提供技术支撑。

基因表达式编程算法改进及在社会效益综合评价中的应用:以赣南离子型稀土资源开发为例

以赣南离子型稀土资源开发为例,探索社会效益综合评价模型构建方法,为矿产资源开发提供参考。从国家资源安全、社会经济、人民生活、生态环境四个方面进行分析,构建赣南离子型稀土矿产资源开发社会效益综合评价指标体系。考虑到基因表达式编程(GEP)算法在拟合函数上有良好成效,可以反映指标之间的函数关系,因此,提出利用GEP算法挖掘各个指标之间的函数关系来构建稀土矿产资源开发社会效益综合评价模型,并提出基于变化率的量化方法求解各指标权重来客观评价赣南离子型稀土资源开发的社会效益。传统GEP算法在此案例上函数拟合效果不够理想,平均相对误差较大,因此,基于传统GEP算法的变异算子及IS转座算子进行改进来增加算法勘探能力,并在算法进化长期停滞时引入“择新”产生子代来增加种群多样性。实验证明改进后的算法更易跳出局部最优且更快收敛,能够获得较好的函数拟合效果,减小实验误差。利用自变量变化率,结合改进GEP得到的函数关系式,求解综合评价指标体系的权重。其中,国家资源安全保障程度、对社会经济的影响、对人民生活的影响、对生态环境的影响的权重依次为0.084、0.243、0.313、0.360。研究结论可为决策者提供参考,以便对赣南离子型稀土资源开发进行合理规划。

虚拟电厂下基于基因表达式编程的云边协同分布式异常数据检测算法

数据可靠互联对虚拟电厂中各类能源生产、传输以及调度等环节的安全稳定运行至关重要。然而人为失误、采集设备故障、网络恶意攻击等因素导致虚拟电厂各环节业务系统中异常稀疏数据频繁产生。现有基于统计学或机器学习的集中式异常数据检测方法存在依赖数据分布和先验知识、计算复杂度较高、效率低下等缺陷。为了解决上述问题,文章提出一种虚拟电厂下基于基因表达式编程的云边协同分布式异常检测算法。首先,基于云边协同机制,构建虚拟电厂云边协同分布式异常检测体系架构;其次,从算法原理、基于最小二乘的全局异常检测模型生成等方面设计基于基因表达式编程的分布式异常检测算法。基于3个真实数据集和3个开源数据集的仿真实验结果表明,与现有模型相比,提出的算法在异常数据检测的准确率、漏检率、误检率、平均耗时以及加速比方面均具有明显的优势。

基于基因表达式编程的煤矿地表变形预测模型的研究与实现

【目的】本研究论述了煤矿地表变形预测的研究现状和基因表达式编程及其算法。【方法】笔者通过C#编程语言进行程序设计,对煤矿地表变形监测原始数据进行预处理,利用某煤矿前20期的变形原始数据来构建基于基因表达式编程(GEP)的煤矿地表变形预测模型,并对最后5期进行预测分析研究。【结果】结果表明,预测模型得出的预测值和实际值相差4~9 mm。【结论】这说明基于GEP的预测模型具有比较高的精度,有较好的可靠性。

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.

基因评估基因表达式程序设计方法

基因表达式程序设计(Gene Expression Programming,简称GEP)与遗传程序设计(Genetic Programming,简称GP)相比,具有更强的搜索能力、更简单的编码表示方法和产生更高复杂性函数的能力.但是它也存在一些缺点,例如缺乏学习机制,搜索过于盲目.针对这一缺点,本文提出了一种新的自动程序设计方法:基因评估基因表达式程序设计(Gene Estimated Gene Expression Programming,简称GEGEP).与GEP相比,GEGEP主要具有如下特点:(1)改变了GEP的基因表达式结构,将原来的“头+尾”结构改成了“头+身+尾”结构,以利于其引进学习机制;(2)同源基因也采用“头+身+尾”结构,以利于增强其搜索能力;(3)引入了分布评估算法(Estimation of Distribution Algorithm,简称EDA)的思想,以利于增加其学习能力并且加快其收敛速度.实验结果表明,与GEP和GP相比,GEGEP具有更高的拟合和预测精度、更快的收敛速度.

基于前序基因表达式编程的单机成组调度算法

建立了满足成组技术要求的带有提前/拖期惩罚的单机调度模型,考虑了订单达到时间不同、交货期窗口不同、机器调整时间与工件组加工顺序相关等多种情形;设计了基于基因表达式编程的多层染色体编码方案,将染色体对应于工件的优先规则公式;最后,实现了利用先进的前序基因表达式编程搜索技术求解该问题的算法,并通过实验验证了该算法的可行性和有效性。

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(GeneExpressionProgramming,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。

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RE FA ;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 32 0 %

基因表达式编程初始种群的多样化策略

基因表达式编程(GeneExpressionProgramming,GEP)算法是遗传家族的新成员,被广泛用于知识发现,其初始种群的质量对进化效率和进化结果至关重要.为了产生优势初始种群,提出了基因空间均匀分布策略(GeneSpaceBalanceStrategy,GSBS),证明了描述编码空间量化性质的GEP编码空间定理.实验表明,GSBS提高进化效率超过20%.GSBS算法的思想还可以应用于其它进化计算中.

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自动聚类方法

为了解决聚类算法不能自动聚类的问题,提出并实现了自动聚类算法GEP-Cluster算法。主要工作包括:1)研究了基于GEP进化的最优簇划分;2)提出了自动合并簇算法Auto Merge Cluster Algorithm;3)实现了不需预知簇个数的聚类;4)在合成数据集上的实验表明,采用GEP-Cluster算法在未知簇划分信息的情况下可对数据集自动进行聚类分析,聚类成功率达到96%。

基于基因表达式编程算法的参考作物腾发量模拟计算

选取都安气象站5年(2008—2012年)的逐日气象数据,包括日最高气温、最低气温、平均风速、日照时数以及相对湿度5个气象要素的不同组合作为输入,并以FAO-56 Penman-Monteith法(FAO P-M)的计算结果作为标准值,采用基因表达式编程算法(GEP)及径向基函数网络算法(RBFNN)对参考作物腾发量ETo进行模拟计算,并将模拟结果与Hargreaves模型的计算结果进行比较,用决定系数R2和均方根误差RMSE作为评价指标。结果表明,GEP模型能够捕捉到ETo的变化,具有较强的适用性,与FAO P-M公式的计算值有很高的一致性。引入关键气象因子(气温和相对湿度)后,模型的决定系数R2达到0.914,均方根误差RMSE为0.240 mm/d。在相同输入情况下GEP模型计算精度高于RBFNN模型和Hargreaves模型,并建立了可以替代Hargreaves模型的GEP模型及缺少相对湿度RH时的GEP模型。结果表明,在缺乏相关气象因子时,可以利用GEP模型模拟ETo。

基因表达式程序设计的GRCM方法

基因表达式程序设计是一种基于基因组和表现型组的新型遗传算法,该算法在运行时具有很高的运行效率,实验表明在求解很多问题的时候比遗传程序设计在速度上优越两个数量级以上。在基因表达式的基础上,提出了基因阅读运算器方法,此方法不需要把染色体转换为表达式树,而是直接对染色体进行操作得到该染色体的适应值。实验表明,采用这种方法不仅简单有效,而且能提高运算的速度。

基因表达式程序设计方法在采煤工作面瓦斯涌出量预测中的应用

基因表达式程序设计是一种基于基因组和表现型组的新型遗传算法,该算法在运行时具有很高的效率,实验表明在求解很多问题的时候比遗传规划优越两个数量级以上。预测采煤工作面瓦斯涌出量是进行通风设计和制定矿井安全技术措施的重要依据,而影响采煤工作面瓦斯涌出量的各因素之间关系不明确。基因表达式程序设计比较适合于求解这一类复杂的非线性问题。本文采用基因表达式程序设计,建立了采煤工作面瓦斯涌出量的预测模型。结果表明,预测结果比遗传规划得到的结果具有更高的预测精度和很好的稳定性。文章最后指出了该方法具有广泛的应用前景。

基于基因表达式编程的频繁函数集挖掘

函数挖掘旨在从观测数据中发现有效的函数关系,传统的函数挖掘以发现单个函数为挖掘目标,难以处理复杂数据集.为解决上述问题,作者做了如下工作:(1)提出了描述能力更强的频繁函数集FFS概念;(2)提出并实现了基于基因表达式编程的频繁函数集挖掘算法FFSM;(3)在GEP中采用了精度阈值队列策略PTQ,有效地提高了FFSM的成功率;(4)用实验证实了FFS更强的描述能力和PTQ的有效性,其中,在挖掘高精度复杂函数时PTQ使FFSM的成功率提高了55倍.

M-GEP:基于多层染色体基因表达式编程的遗传进化算法

该文提出了一种新的基于多层染色体基因表达式编程的遗传进化算法MGEP,新算法引入了多层染色体的概念,利用染色体构建的层次调用模型对个体进行表达,在解决实际函数发现、电路进化等实际问题中取得了良好效果.该文主要贡献包括:(1)提出了基于多染色体的基因表达式编程算法(MGEP);(2)建立了不同染色体的层次调用模型及存储结构;(3)提出并实现了基于染色体的重组算子和基因随机重组算子.对多基因GEP和单基因GEP的对比实验结果表明,平均进化辈数仅为后者的29%～81%.

基于人工免疫和基因表达式编程的多维复杂关联规则挖掘方法

为满足复杂数据挖掘应用对处理丰富语义的要求，引入了多维复杂关联规则概念，提出了通过人工免疫循环控制的基因表达式编程挖掘方法。构造了有特色的抗体和免疫细胞结构，能有效减少计算量；设计了特有的否定选择策略，可以消除无用的和冗余的免疫细胞；引出了逆否规则与原规则同为强规则的启发式过滤准则，可有效约简规则数目。实验表明，新方法能够高效、准确地挖掘多维复杂关联规则；在一定条件下，新方法的否定选择策略可将挖掘效率提高达1～3个数量级。

基因表达式编程种群多样性自适应调控算法

为了解决基因表达式编程GEP种群多样性控制问题,提出了一种新的带权种群多样性的自适应调控方法。设计了带权的种群多样性测度方法,详细分析了选择、交叉及变异算子对种群多样性的影响。提出了初始种群的多样化算法DAIP,以保证初始种群多样性的最大化。设计了自适应的交叉和变异算子,提出了种群多样性自适应调控算法APDTA,使种群在进化过程中维持合适的种群多样性,进而提高进化效率。实验验证了APDTA的有效性。

基于模拟退火的并行基因表达式编程算法研究

本文提出一种基于GEP的混合并行算法,将模拟退火机制与遗传机制结合,以提高算法跳出局部最优的能力;同时引入多种群策略和迁移算子,实现了运行于一定规模处理器内的粗粒度可扩展并行计算.对序列推理、函数发现和太阳黑子预测三组数据测试,与用基本GEP算法的结果进行对比,实验表明改进的算法具有更强的寻优能力和更高的稳定性.