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。

基因沉默机制的基因表达式编程

基因表达式编程(Gene Expression Programming,GEP)对多项式函数为目标的符号回归问题计算效果良好,而对包含多种运算目数、非多项式函数的计算效果欠佳。受转基因生物工程中基因沉默现象的启发,提出一种GEP拓展算法SFGEP(Gene Expression Programming of Symbol Field,SFGEP)。SFGEP染色体由表达因子域与表达基因域组成,按"深度优先"原则解释染色体,利用不同操作符目数,形成基因表达的抑制因子和位置效应,实现染色体解释中基因沉默的机制。实验结果表明,相较传统多基因染色体GEP,SFGEP既保持了一定多项式函数挖掘的能力,又在包含不同运算目数操作符的非多项式函数挖掘方面具有更好的效能,SFGEP的成功率更高、收敛速度更快。

基于GEP的多层关联规则挖掘算法及其应用

为了在Web使用挖掘中挖掘网站服务器日志数据库的热点Web页面访问集及发现其关联规则,提出了一种新的基于GEP(gene expression programming,基因表达式编程)的适用于挖掘多层关联规则的算法。将泛化技术应用于GEP作为它的适应性函数度量,引入GEP强大的自搜索功能,进化到较优的种群后,再利用传统的支持度-置信度的方法在子数据库的多个层及层间挖掘频繁项及关联规则。该算法改进了传统多层关联规则挖掘框架,实验结果表明了该算法在大数据库中的有效性和高效性。

基于M-GEP的可逆逻辑综合方法研究

可逆逻辑综合是设计和实现可逆逻辑电路的基础和难点。将改进的基于多层染色体基因表达式编程算法应用到可逆逻辑电路的综合与优化中,利用多层染色体构建的调用模型对个体进行表达,可根据预期的逻辑功能,自动求取便于构造可逆逻辑网络的最简"积之异或和"表达式。经初步验证,在解决可逆逻辑电路的多输入单输出的问题上,比现有的综合方法更有效。

基于染色体自适应GEP的大坝变形预测

鉴于大坝变形影响因素的复杂性,以及传统基因表达式编程(GEP)预测方法容易陷入局部极值点,过早收敛,提出一种染色体自适应GEP预测模型。并利用该模型对大坝进行预测,以水压、温度和时效相关的8个大坝变形影响因素作为输入,大坝变形位移作为输出,预测结果与传统GEP预测模型通过3个精度指标进行对比。工程实例结果表明,改进的GEP模型的3个精度指标优于传统GEP模型,大坝变形位移的精度明显提升。