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。

基因表达式程序设计在复杂函数自动建模中的应用

基因表达式程序设计是一种新的自适应演化算法,该算法已经应用到许多领域中,并且取得了良好的效果。通过对适应度函数的有效设计以及函数集的有效选取,引入新的常数创建方法,将基因表达式程序设计运用于复杂函数的自动建模中,并把所建立的模型用于预测分析。通过仿真实验表明:用此方法所建立的模型比传统的最小二乘法、神经网络以及遗传程序设计等方法具有更好的性能。最后对该算法的应用前景作了简要分析。

基于基因表达式程序设计及误差循环补偿的电力系统短期负荷预测

将基因表达式程序设计(gene expression programming,GEP)算法应用于电力系统短期负荷预测中,并提出误差循环补偿模型,得到了较高的预测精度。预测过程先对负荷样本进行常规和滤波处理,消除伪数据,然后运用基因表达式程序设计的灵活表达能力,把不同日、同一时刻的负荷序列作为样本,对未来时刻的负荷进行分时短期预测。得到预测模型后,计算其与样本数据的误差,再把误差值作为样本进行演化,并把误差模型补偿到原模型上,如果达不到预测要求,则循环计算模型误差进行演化,直到满足要求为止。结果表明基因表达式程序设计算法具有较高的效率,且误差循环补偿模型能够有效补偿演化过程中的误差。经比较,基于基因表达式程序设计及其误差循环补偿的预测模型比时间序列和遗传程序设计算法具有更好的预测效果。

一种基于基因表达式程序设计的新算法

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时比遗传程序设计优越两个数量级以上。通过对基因表达式程序设计的变异算子进行分析,发现在个体变异过程中存在着大量的基因漂移现象,这些漂移的基因一方面造就了种群的多样性,但是另一方面也降低了算法的效率,阻碍了算法精度的提高。为此,构造了一种新的算子——漂移抑制算子,通过在基因表达式程序设计方法中加入此漂移抑制算子构造出一种新的算法—基因漂移抑制算法(Gene Drifting Suppression Algorithm Based on Gene Expression Programming,GDSA-GEP),该算法在保持种群多样性的同时,能有效地控制基因的过度漂移。实验结果表明,新算法能有效地提高问题的求解精度。

基于EDA的并行基因表达式程序设计方法

将分布评估算法(EDA)引入基因表达式程序设计方法中,以提高其收敛速度。为减少计算时间,提高解质量,在加入EDA的基因表达式程序设计方法的基础上设计了同步和异步分布式并行算法,同时比较了同步和异步并行算法。实验结果表明,并行算法提高了运行速度和解质量。最后通过实验分析了迁移代频对并行算法的影响。

改进的基因表达式程序设计实现复杂函数的自动建模

基因表达式程序设计(简称GEP)是一种新型的遗传算法,它继承了遗传程序设计(简称GP)和遗传算法的优点并且具有更高的效率和更强的搜索能力,但同时也存在缺乏学习机制,搜索过于盲目的缺点,针对其缺点对其进行了如下改进:(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;用其实现复杂函数的自动建模,实例测试的结果表明用改进的基因表达式程序设计得到的模型比传统方法得到的模型要好,甚至优于用遗传程序设计和基本的基因表达式程序设计得到的模型。

基于经验模态分解和基因表达式程序设计的电力系统短期负荷预测

提出将经验模态分解(EMD)和基因表达式程序设计(GEP)算法相结合的EMD&GEP预测法应用于电力系统短期负荷预测中,消除负荷样本中的伪数据,并对负荷样本序列进行经验模态分解得到不同频段的本征模态分量(IMF)和负荷剩余分量。运用基因表达式程序设计算法的灵活表达能力,把分解得到的不同频段的各负荷本征模态分量及负荷剩余分量中所对应的不同日、同一时刻的负荷序列作为样本,进行分时预测。把各负荷本征模态分量和负荷剩余分量中相对应的预测结果进行重构,作为各时刻负荷的最终预测值。EMD克服了小波分析中小波基选取困难的不足,结果表明各负荷本征模态分量能较准确反映负荷特征,而且经比较,EMD&GEP预测法比小波分析和GEP算法相结合的预测方法具有更好的预测效果。

基于多层染色体基因表达式程序设计的混合遗传进化算法

提出了一种新的基于多层染色体基因表达式程序设计的混合遗传进化算法:M-GEP-GA。该算法在基因表达式程序设计的基础上引入了多层染色体,并采用与遗传算法相嵌套的二级演化方法。利用染色体构建的层次调用模型对个体进行表达,用基因表达式程序设计方法优化模型结构,遗传算法优化模型参数。通过对三组数据测试,与用单基因GEP、多基因GEP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。

基于主成分分析和基因表达式程序设计的变压器故障诊断

提出一种基于主成分分析的基因表达式程序设计算法,并将其应用于变压器故障诊断中。用主成分分析对原数据进行一系列变换,可降低特征向量的维数,并消除向量间的不相关性;从而减小了故障分类器的计算复杂度,提高训练及测试的精度。然后将得到的新样本数据用基因表达式程序设计算法进行训练,构建变压器故障的诊断模型。利用该诊断模型对170组能反映出各种故障而又不冗余的变压器DGA数据进行学习,对另外130个实例进行诊断,取得了很好的效果。实验表明,所采用的算法比单独使用遗传规划或基因表达式程序设计具有更高的诊断精度和稳定性。

基因表达式程序设计进行复杂函数参数识别

在介绍了基因表达式程序设计方法的基础上,采用基因表达式程序设计建立了复杂函数参数识别的模型,给出了算法结构与算法程序流程,并利用基因表达式程序设计方法进行未知函数拟合的实验,定义合适的终止条件,得到精确的预测结果。实验结果表明,此方法具有很高的预测精度,明显优于传统方法。最后指出该方法只需要提供足够的实验或实验数据,知道目标函数,就可以达到准确预测的目的,因而可以广泛应用于复杂函数拟合中,具有广阔的应用前景。

一类基因表达式程序设计的若干收敛定理及其推广

基因表达式编程算法(或称基因表达式程序设计)的基因型/表现型双实体为之带来许多不同于传统演化算法的优势,但建立其Markov模型时,我们须在两者之间作出权衡.为简化遗传算子概率结构的分析,本文以基因型空间为搜索空间,研究一类GEP在宽松条件下的收敛性.首先,针对由基因型-表现型映射所致的多峰适应值函数,重构带精英保留策略的GEP的Markov链模型转移矩阵.然后,通过建立依概率收敛速度的精确表达式、估计其上界,证明了算法依均值收敛、几乎必然收敛甚至完全收敛至全局最优值.与之前的严格假设下的若干结论相比,本文的模型更匹配算法的特性,收敛性结论更强且最优状态子集更小.另外,上述精确表达式也可以推广至自适应演化算法.

一种基因表达式程序设计的解码方法

基因表达式程序设计(GEP)的解码通常仰赖表达式树的建立和后序遍历技术,因而解码复杂度、性能自然成为GEP应用的要害所在.在分析GEP基因型与表现型关系的基础上,提出一种称谓RL-GEP的新型解码方法.新方法基于0目操作符概念、工程应用与系统设计的原则,采用"一次读码多样本解析"和直接对线性编码的基因型实施解码等方法来提高解码效率,算法模型简单修改即可得到一种新型的传统GEP"无树解码"方法,具有良好的扩展性.RL-GEP不仅与传统GEP具有相同的表达能力与表现型空间,而且易于理解、应用和扩展.从求解回归问题的实验看来,本方法和经典GEP有相似问题求解的能力,但效率更高.

基因表达式程序设计在信息系统建模预测中的应用

基因表达式程序设计(GEP)是一种基于基因组和表现型组的新型遗传算法,该算法具有很好的健壮性和高效性采用基因表达式的方法进行演化建模,实例测试的结果表明使用基因表达式程序设计的方法得到的模型要优于普通的线性回归方法和传统的遗传程序设计方法得到的模型,提高了拟合和预测精度。

基因表达式程序设计的原理与应用

基因表达式程序设计(GeneExpressionProgramming,GEP)是最近几年才发展起来的一种新型的自适应演化算法,并且已经在很多领域的运用中取得了较好的效果。本文中主要阐述了GEP的基本原理、相关应用以及近几年来国内外GEP的研究现状。同时,也对GEP的在今后的研究提出也一些展望。

自适应基因表达式程序设计研究及应用

针对基因表达式程序设计(GEP)是基于基因型和表现型的新型遗传算法,它综合了遗传算法(GA)和遗传程序设计(GP)的优点,但在解决具体问题时有收敛速度较慢、易陷入局部最优和拟合度不高等缺陷,提出一种自适应基因表达式程序设计算法(AGEP),它将差分突变搜索、混沌重组和变异操作、灾变算子运用于GEP中;最后将其应用于实例中,并将其所得结果与传统的基因表达式程序设计结果进行比较。研究结果表明:该算法不仅提高了算法的精度和收敛速度,而且有效地克服了不成熟收敛,理论证明该算法全局收敛;改进的基因表达式程序设计性能良好。

具有学习能力的基因表达式程序设计

提出一种融入分布评估算法的GEP算法——LPGEP.该算法不仅通过建立概率模型指导个体演化的方向,而且在演化过程中对最优的几个个体实施参数优化.实验表明该算法不仅增强了基因表达式程序设计的学习能力,而且提高了演化模型的精度.

免疫算法在基因表达式程序设计中的应用

针对基因表达式程序设计(GEP)收敛速度慢、收敛后适应度不高和易陷入局部最优等缺陷,利用GEP染色体简单、线性和紧凑、易于进行遗传操作和免疫算法(Immune algorithm,IA)抗体多样性和免疫记忆等优点,提出了一种免疫基因表达式程序设计算法(Immune Gene Expression Programming,IGEP)。将免疫算法的按抗体浓度进行调节和免疫记忆的机制用于GEP的遗传算子中,收敛速度比GEP要快、收敛后适应度高且有效地克服了GEP不成熟收敛,理论证明该算法是全局收敛的。函数优化的仿真实验结果,进一步验证了该算法的性能。

基于改进基因表达式程序设计的股票指数预测

介绍基因表达式程序设计方法的基本原理,针对股票指数分析与预测问题,在经典的GEP算法基础上,提出一种基于动态变异算子的改进的GEP算法——IGEP算法,动态变异算子随着进化代数和染色体所含基因数目不同而变化,从而加快了GEP的收敛速度和精确度,对算法进行了复杂度和收敛性分析。设计一种基于IGEP的股票指数分析与预测算法,数值实验结果表明,该算法优于经典GEP算法,具有较广泛的通用性。