中国期刊全文数据库

传统基因表达式编程(GEP)编码简单,适应性强,但可能陷入局部最优的“早熟”陷阱.因此,作者借鉴生物界的“返祖现象”,提出了基于回溯的基因表达式编程方法.主要工作包括:(1)在传统GEP算法中引入回溯机制,提出基于回溯策略的GEP算法GEPBS(GEP withBacktracking Strategy);(2)提出回溯检查点概念,设计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;(3)扩充基于回溯的GEP算法,设计了退化因子(RF),提出了按比例回溯策略GEPPBS(GEP with Propo     

CC-GEP:基于聚类竞争的基因表达式编程新算法

基因表达式编程(GEP)融合了遗传算法和遗传编程的优点,进化速度提高了2～4个数量级,但在解决复杂问题时仍存在早熟现象. 为解决这个问题,做了下列工作:(1)定义了种群多样性度量和选择压力,分析了传统GEP算法选择操作的不足;(2) 把聚类思想引入选择操作中,提出了基于聚类竞争GEP算法CC-GEP(GEP based on Cluster Competition),证明了CC-GEP能自适应地根据种群多样性调节选择压力;(3) 实验表明CC-GEP比传统GEP成功率高36%,模型精度R-square提高8%,多次运行的最优适应度平均值提高了8%,说明CC-GEP算法更加稳定,较好地克服了GEP的早熟问题.     

基于动态分组的两级检查点算法

为了降低设置检查点的时间和空间开销,提出了一种两级检查点算法,其中组级采用协调检查点算法,系统级采用单阶段检查点算法.该算法基于分布式动态分组策略,通过发送分组来确保分组间不会产生孤儿消息,实现了由传统的两阶段提交算法到单阶段算法的转变.实验结果表明,算法执行时间较低,时间复杂度由通常的O(n2)降低到O(n),具有较...     

基于基因表达式编程的多数据流分类并行算法

针对传统决策树分类算法在多数据流分类的正确率和处理速度存在的不足,提出了一种基于基因表达式编程(GEP)的多数据流分类并行算法,以提高多数据流分类的正确率和处理速度.根据GEP在数据分类上的优势,运用GEP原理和数据流段中分类目标相似属性合并构造多数据流分类算法,并对多数据流分类算法进行并行设计与分析,在多核PC上进行对比实验.实验结果表明:该串行与并行分类算法均优于传统算法,且在多样本上具有较好的加速比.     

基因表达式编程中的精英个体产生策略

为提高基因表达式编程(GEP)算法的进化效率,提出了一种用于产生GEP初始种群的精英个体产生策略.该策略通过逐步扩大染色体到目标值的距离,采用随机方式在较短时间内产生具有较高个体适应度的染色体,从而在初始种群中快速产生精英个体,使种群可以从一个较高的基础上开始进化,缩短了GEP算法的进化距离,从而提高了种群的进化效率.实验结果表明,在GEP算法挖掘函数的过程中,采用文中提出的策略,可以使GEP算法的进化效率提高17%.     

基于基因表达式编程优化PID调节器参数

 应用基因表达式编程（GEP）优化PID调解器参数,提出了基于GEP的PID参数优化策略和适应度函数的设计方法;提出了基于GEP的PID参数优化的GEP-PID算法。实验表明,与Ziegler-Nichols(ZN)法相比,该算法使系统阶跃响应的超调量下降了65.45%,上升时间和调整时间分别缩短了38.5%和61.5％。     

基于模拟退火的基因改进型GEP算法

基因表达式编程具有强大的函数挖掘能力,有助于在实验数据上提炼数学模型、揭示事物本质规律.尽管标准GEP算法通过改进遗传操作在一定程度上克服了早熟现象,但在解决实际问题中仍常表现出算法的不稳定;此外,标准GEP算法挖掘出的函数表达式往往冗长,可解释性差.针对这些问题本文做了如下工作:(1)对标准GEP算法的基因进行了新的定义,改进了标准GEP算法的基因构成,提高了GEP算法的通用性;(2)将模拟退火引入到标准GEP算法的选择算子中,提出了基于模拟退火的基因改进型基因表达式编程算法(RG-GEP-SA);(3)实验表明,RG-GEPSA算法比标准GEP算法具有更高的稳定性,RG-GEPSA算法比标准GEP算法成功率提高了11%,挖掘出的函数表达式更具有可解释性.     

基于尖Γ云模型的基因表达式编程算法研究

传统基因表达式编程算法的进化过程使用一成不变的变异率和交叉率,忽略了进化中种群的动态变化,导致GEP算法有可能陷入局部最优.为此,做了如下探索:(1)形式化尖Γ云模型,GEP模式和适应度隶属度等概念;(2)提出了新概念尖Γ云变异率和交叉率;(3)设计了尖Γ云调整算法(Cusp Gamma Cloudy Adjust Algorithm)和基于尖Γ云的GEP算法(Gene Expression Programming Based on Cusp Gamma Cloud),借助云模型的特点,动态改变变异率和交叉率;(4)实验表明,新算法改善了进化性能,平均适应度提高达7%,最高适应度提高8%,平均进化代数下降10%以上.     

基于基因表达式编程的人口预测模型

提出一种基于基因表达式编程算法(GEP)的人口预测新方法,并将该方法应用于东莞市人口预测实例问题研究。实验结果表明:由于基因表达式编程算法采用基因型与表现型相统一的编码方式、高效的遗传算子以及全局搜索的寻优方式,基于GEP算法的人口预测模型能够在样本少的情况下给出相对准确的预测结果。其验证数据的预测绝对值平均误差为0.96%,与灰色系统GM(1,1)预测模型及径向基人工神经网络预测模型相比,预测精度分别提高了18.34%、30.54%。GEP人口预测模型能够更好地挖掘人口发展的复杂非线性模式,有效防止过度拟合现象的发生,提供更为准确、合理的拟合及预测结果。     

基于基因表达式编程的网格调度节点选取算法

为了在网格的动态分域调度机制中,更前瞻性地动态选取域内“计算结点”,解决原传统算法中需要依赖专业知识,而使选取过程具有主观性和盲目性的问题,提出了基于基因表达式编程(GEP)的网格调度域计算结点的选取算法.并通过对基于传统遗传算法进行选取和基于GEP进行选取的算法的比较,实验证明了该算法的优越性与实用性.