基于高频组合片段-基因表达式编程算法的轨道交通地面沉降预测模型

[目的]地面沉降预测和控制是轨道交通盾构法隧道施工中最为关注的问题之一。为了解决现有地面沉降预测和控制中存在的模型表达过于复杂且缺乏解释性的问题,需要一种既简洁清晰,又能够描述复杂问题的可解释模型,GEP(基因表达式编程)算法提供了这种可能性,因此需对基于HFS(高频组合片段)-GEP算法的轨道交通地面沉降预测模型进行深入研究。[方法]以杭绍城际铁路某区段盾构隧道工程为依托,选取盾构施工过程中的土舱压力、刀盘扭矩、刀盘转速、推进速度、总推力、隧道埋深及盾尾注浆量等参数作为关键输入型施工参数,地面沉降作为输出型施工参数,通过备选公式集筛选以及HFS选取,建立基于HFS-GEP算法的轨道交通地面沉降预测模型。利用该模型对第180环—第210环区段的关键施工参数进行优化调整,分析盾构施工参数变化对地面最终沉降的影响效果。[结果及结论]基于HFS-GEP算法的地面沉降预测模型可以反映盾构施工参数与地面最终沉降的显式关系;相较于传统GEP算法的地面沉降预测模型,该模型准确度更高,结构更为简洁,且收敛速度更快。通过对盾构关键施工参数进行优化调整,该模型可将第180环—第210环区段的最终沉降量控制在10 mm以内。

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知识发现的三项新技术——转基因,重叠基因表达和回溯进化

介绍了在研发基于基因表达式编程(GEP)的知识发现的三项新技术,包括:(a)转基因技术,通过注入转基因,引导进化方向,控制知识发现过程;(b)重叠基因表达,借鉴生物基因片段重叠表达,引入重叠基因概念,节约了表达空间;(c)回溯进化,借鉴生物“返祖现象”,引入回溯检查点概念和可回溯GEP算法、设计了等比递增检查点序列和加速递增检查点序列,约束回溯过程。实验表明,三项技术在一定的场合下分别提高了知识发现的性能1至2个数量级。

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 %

基因表达式编程的理论研究综述

对新兴的基因表达式编程算法在国内外的理论研究现状进行了系统的研究,剖析了GEP的基本原理和特点,并对国内外关于GEP理论和算法的研究现状进行系统的讨论,最后根据笔者的见解探讨了未来研究的重点方向。

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。

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.

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.

基于基因表达式编程的多目标优化算法

目前的多目标优化进化算法在高维的决策空间中收敛性能不佳,针对这个问题,提出了基于基因表达式编程的多目标优化算法GEPMO,主要工作包括:提出了新的个体编码方案,分离了值基因和位置基因;设计了新的算子;分析了GEPMO的编码空间;提出了GEPMO的框架。在标准测试函数上的实验结果表明了新算法的有效性,在高维决策空间中GEPMO能够覆盖SPEA算法的结果集87.5%,但SPEA覆盖GEPMO仅为5%。

内嵌基因表达式编程及其在函数发现中的应用

为了提高表达效率,提出了新的基因解码方案,形成了内嵌基因表达式编程算法EGEP;提出了极大表达树、嵌套表达树和拼接表达树等概念;分析了基因的表达空间和算法的复杂度。实验表明,该算法提高了函数发现的成功率;在小规模种群的函数中其能力明显优于GEP。在单基因情况下,目标为一元函数和二元函数时,EGEP平均成功辈数分别为GEP算法的25.5%和16.3%;各种规模下,在EGEP算法中二元函数的成功率平均比GEP提高43%以上。

基于基因表达式编程的智能模型库系统的实现

模型库是决策支持系统(DSS)的重要组成部分。传统的智能模型库系统对先验知识依赖性很强,难以实现真正意义上的智能化。针对这一弱点,提出了显式智能模型,隐式智能模型,显式模型基因的概念,给出了基于GEP的隐式智能模型(ImplicitIntelligentModel,IIM)的挖掘算法(GEP-IIMA),在此基础上实现智能模型库系统;研究了隐式智能模型库(IIMB)系统与GIS的接口技术。IIMB是真正意义的无先验知识的智能模型库,其模型的类型和参数的求解均由程序自己来实现。通过比较实验,系统所挖掘的函数模型比传统方法所得模型的精度提高了14.9%。

基于基因表达式编程的股票指数时间序列分析

基因表达式编程(GEP)是遗传算法研究的新分支.针对股票对象的特点,提出了适应股票规律的GEP-STOCK模型,包括n时段-STOCK-GENE,STOCK-fitness以及STOCK-GEP算法,并以上海证券交易指数时间序列数据为对象做了实验.进行了误差和指数涨跌分析.实验结果表明GEP-STOCK模型预测精度较高,20d的平均绝对误差为11.08,平均相对误差为0.64%.从涨跌情况预测来看,模型对6d后指数的涨跌判断,正确率高于80%以上.