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%。     

一种基于小生境算法的免疫基因表达式编程

针对基因表达式程序设计GEP、免疫基因表达式IGEP改进算法收敛速度慢、易陷入局部最优等缺陷,提出把小生境技术用到IGEP中.不管是GEP还是IGEP,当陷入局部最优值时,依靠基本迭代很难跳出该值.为此,使用小生境技术处理局部最优值,并且把找到的局部最优值用来更新免疫记忆库,再用免疫算法选择种群,能避免再次陷入记忆库中的局部最优值.通过仿真实例,结果表明该方法在防止算法早熟上起到良好的作用,并且比一些改进GEP的算法更加优秀.     

基于基因表达式编程的代价敏感分类算法

针对传统分类算法在稀有类上的分类效果不佳,通过引进代价矩阵,改进了基因表达式编程的适应度函数,提出了一种基于基因表达式编程的代价敏感分类 (CSC-GEP：Cost-Sensitive Classification-Gene Expression Programming) 算法,并在UCI数据集上对该算法进行了实验。实验结果表明,CSC-GEP的召回率、精度和F-度量值较C4.5分类器分别提高了7.07%,2.89%,5.12%,证明了CSC-GEP是一种有效的代价敏感分类算法。     

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.     

基于基因表达式编程算法的磨料射流切割深度预测模型

针对磨料射流切割套管深度与水力参数、工作参数及磨料参数之间存在复杂的耦合关系及传统预测方法的不足,建立基于基因表达式编程算法的磨料射流切割深度的预测模型。通过将函数表达式基因化,利用选择算子、变异算子、插串算子、变换算子等对群体实施遗传操作,得出最优函数表达式,并将其与人工神经网络预测模型、回归预测模型进行对比分析。结果表明,基于基因表达式编程算法的预测值与试验值的平均误差为3.93%,标准误差为0.251,预测精度明显高于其他预测模型,可直观、准确地反映磨料射流切割深度与水力参数、工作参数及磨料参数之间的关系,为磨料射流切割技术的定量控制提供可靠的理论支撑。     

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。     

一种基于基因表达式编程的串行聚类算法并行化研究

为进一步解决基于用户的协作过滤技术的扩展性问题,利用基因表达式编程(GEP)的并行性优势,与已有的串行聚类DBSCAN算法进行融合,使得串行程序并行化,提出了一种GEP-DBSCAN协作过滤聚类算法来寻找最近邻居,改进基于密度的协作过滤方法,实验证明了算法的有效性以及提高了时间效率.     

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．     

基于非指导性教学法的程序设计课程教学方法研究

非指导性教学法以强调学生的思考自主权和行动选择权为重点,教师在其中只起到辅助和引导的作用。从实际教学出发,在教师自身对程序设计教学的理解以及非指导性教学方法在程序设计课程中的应用方式这两方面,对如何在程序设计类课程中引入非指导性教学法进行的阐述和探讨。     

基于基因表达式编程的传感器校正函数挖掘方法

对传感器进行非线性校正是提高其工作性能的重要环节.在分析传感器的工作特征的基础上,设计了带有正态分布兴趣度函数的适应度函数,引进了上下限函数作为工具,提出了基于基因表达式编程的用于解决传感器系统非线性校正问题的SGEP算法,并进行了校正实验,实验表明,该方法比传统方法更灵活有效.     

改进基因表达式编程算法及其应用研究

基因表达式编程是一种新型的自适应演化算法,它是在继承和发展遗传算法和遗传编程优点的基础上发展起来的知识发现新技术．笔者介绍了GEP的发展现状与关键技术,设计了逆淘汰策略和无树解码方式的改进方案,旨在维持种群多样性和提高算法效率,最后将改进方法应用与一元和多元函数挖掘的实验,得到准确度和拟合度良好的函数模型,收到了满意的效果．     

基于动态规划算法实现代价最小的字符串输出

通过求解字符串输出最小代价的问题,基于动态规划算法来讨论其解空间,进一步完成其最小代价的存在性、解空间的结构的定义及实现字符串输出的优化解的算法设计与分析。     

基于进化规划和神经网络的多用户检测器

利用两种方法的优点,并将它们应用于CDMA多用户检测中,提出一种基于并行遗传算法和Hopfield神经网络的多用户检测器．该检测器中,进化规划首先给神经网络提供较好的初始值,然后用神经网络实时快速地获得最优解．计算机模拟结果表明：本文所提出的检测器在误码率和“抗远近”效应方面均具有良好的性能。     

具有递增斜率的分段线性规划的解法

本文提出了一种工程实际中广泛存在的目标函数具有递增斜率的分段线性规划问题,分析了这种问题的特点,给出了一种快速的求解方法,并用算例证明了它的有效性。     

多目标跟踪动态规划法的算法实现

本文提出了在密集环境下多目标跟踪动态规划法的算法实现问题,给出了航迹质量的评价方法和起始跟踪的方法。     

抗α毒素单链抗体基因表达载体的构建

将 2种抗A型产气荚膜梭菌α毒素单链抗体 (ScFv)基因ScFv - 2E3和ScFV - 1A8分别克隆至表达质粒pUC119,pET - 2 0b ,pET - 2 8a和pHOG2 1中 ,构建了重组质粒PUC -2E3和pUC - 1A8,pET2 0b - 2E3和pET2 0b - 1A8,pET2 8a - 2E3和pET2 8a - 1A8以及pHOG - 2E3和pHOG - 1A8,然后分别转化至大肠杆菌中 ,提取质粒 ,并进行酶切鉴定和核苷酸序列分析 ,结果表明构建的重组质粒中均含目的ScFv基因片段 ,说明已成功构建了 8个含ScFv基因的表达质粒     

基于神经网络和进化算法的混沌序列产生方法

应用具有全局最优的进化规划算法建立产生混沌序列的优化神经网络模型。该模型利用神经网络权值调整的灵活性 ,能够在同一网络结构中产生的多种混沌序列。计算机仿真结果表明 :该模型比 BP算法训练的神经网络模型能更好地重构混沌吸引子 ,调整网络权值即可产生多种混沌序列。     

动物激素对基因长期作用的影响

综述了动物激素对机体细胞基因表达及蛋白质代谢的影响,阐述目前研究水平上的分子调节机制,以期寻找出未来研究的位点。     

食物浓度对萼花臂尾轮虫种群增长、个体大小和卵大小的影响

以浓度分别为3.0、6.0、9.0、12.0和15.0×106 cells/ml的蛋白核小球藻为食物,在温度为25±1℃下对萼花臂尾轮虫进行群体累积培养研究.结果表明,食物浓度对其种群增长率、体长和卵体积均有极显著影响;种群增长率、体长和卵体积皆随食物浓度的升高而增大.其中种群增长率(Y,d-1)与食物浓度(X,×106 cells/ml)间的关系为Y=0.1768+0.0565X;体长(L,μm )与食物浓度(X,×106 cells/ml)间的回归方程为L=138.1577+4.8279X;卵体积(Ve,×103 μm3)与食物浓度(X,×106 cells/ml)间的关系可描述为Ve=375.8776+19.9560X.此外卵体积(Ve,×103 μm3)与体长(L,μm )间呈显著正相关,两者间的关系符合方程Ve=29.3382+2.8971L.     

凸二次规划的Predictor－Corrector算法

考虑凸二次规划问题，给出了一个新的算法，证明了算法的迭代步数至多为