分子进化中性理论的进展

中性理论与达尔文的自然选择进化论有明显的差别。中性论认为在分子水平上覆盖着多数的进化改变，是在连续产生突变时，由于选择中性（即选择相等），使突变得到随机的固定（即小群体内，样本的随机漂变）。还认为在分子水平上，大多数的种内变异（如蛋白质和ＤＮＡ多态）是选择中性或近于中性，它们能够保持在种内是由于突变的产生和随机消失之间的平衡引起的。近年来，ＤＮＡ顺序的研究资料，都有力地支持中性论，如鼠的拟球蛋白基因、鼹鼠的αＡ－晶状体蛋白、流行性感冒Ａ病毒基因，果蝇的核和线粒体基因等。所以，从地球上生命的历史来看，中性进化的改变至少在数量上已超过达尔文自然选择进化的改变。     

基于多样化进化策略的基因表达式编程算法

针对传统GEP(Gene Expression Programming )算法的未成熟收敛以及陷入局部最优问题,提出一种基于多样化进化策略的基因表达式编程算法(DS-GEP:Gene Expression Programming based on diversified development strategy)。该算法通过基因空间均匀分布策略,自适应地交叉和变异算子以及淘汰算子等方法,对种群给予不同的进化策略,以保持种群的多样性,从而增强算法的寻优能力。通过对函数挖掘的实验证明,多样化进化策略各个部分均对改善挖掘效率发挥了作用,提高了DS-GEP函数挖掘算法的成功率。与传统GEP算法相比较,该算法的平均成功进化代数缩短了11%,成功进化时间缩短了8%,进化成功率提高了20%。     

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%.     

DNA中性标记反映的非随机亲缘地理格局——以东亚植物物种为例

基于DNA中性分子标记的亲缘地理学研究却多获得非随机的空间遗传格局,与气候、环境因子或者表型性状具有很好的一致性,这种非随机格局是如何形成和维持的.本文以东亚植物物种为例,分析了其空间遗传格局的非随机性及其一般特点,讨论了其可能的成因.冰期避难所隔离、物种分布区变化等中性过程是目前大多研究采用的解释,然而仍有部分线索暗示可能存在自然选择导致的适应性进化.我们认为这种基于"中性"分子标记的亲缘地理研究对未来适应性进化研究具有重要的启发作用,提出可能的一般研究框架,并展望了二代测序技术在未来适应性进化研究中的作用.     

求解复杂约束问题的基因表达式编程文法模型

基因表达式编程GEP是进化计算算法家族的新成员.GEP富有特色的个体编码能很方便地表达和解决一批NP问题. 但基本GEP难以表达和求解复杂约束. 主要工作包括:(1) 提出了GEP的上下文无关文法模型gepGram; (2) 从理论上证明了gepGram的表达能力和含单个非终结符的上下文无关文法相同; (3) 给出了gepGram文法可描述约束问题的GEP求解算法, 算法与基因长度具有线性伸缩性; (4) 实验证明了本文提出算法具有较高的效率,当基因长度为106时,解码仅需0.4 s.     

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.     

进化计算中的精英个体产生策略

初始种群是影响基因表达式编程算法（GEP）的重要因素之一。提出了精英个体产生策略,产生具有较高的适应度的精英个体,使种群从一个较高的基础上开始进化,从而提高种群的进化效率。在此基础上,提出了综合精英个体产生策略和基因空间均匀分布策略优点的综合种群产生算法。实验表明,精英个体产生策略可以提高进化效率17%,综合算法可以更加有效地提高系统的进化效率。以上算法的思想还可以应用于其它进化计算中。     

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.     

一般均衡价格是进化稳定策略

建立了商品市场经济的非合作博弈模型,据此证明了一般均衡价格(GEP)的存在性.帕累托有效性,利润为零性.证明了市场中的价格竞争博弈是零和博弈,GEP是此博弈的Nash均衡解和进化稳定策略(ESS).