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.     

基于基因表达式编程和粗糙集的属性约简分类方法

属性约简分类是粗糙集在数据挖掘中一个重要的研究方向.其大多数研究是基于小规模空间信息系统;基因表达式编程是一种新出现的进化算法,具有高度并行、极强的函数挖掘的特点.提出了将粗糙集中的充要强度作为GEP的适应度函数,创建一种新的属性约简分类算法,以减少粗糙集在大规模知识库中知识约简的复杂程度,加快收敛速度.     

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。     

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.     

基于Petri网和基因表达式编程的作业车间调度研究

为了更好的解决车间调度问题,提出了一种基于时延Petri网(TdPN)和基因表达式编程相结合的调度算法。在该方法中,基因表达式编程根据时延Petri网模型中的部分变迁序列来确立染色体,每条染色体表示一种车间调度方案。作者选用了基因表达式的选择、交叉、变异三种类型进行遗传操作,利用延时Petri网对车间调度过程的仿真,根据变迁的赋时时间获得每条染色体的相应的时间。最后本文结合基因表达式编程具有较好的寻优能力和Petri网对动态的离散事件的过程能进行很好的描述的优点,在文章实验中验证了此方法的可行性。     

基于小波包和基因表达式编程的大坝变形数值预测探讨

由于获得的变形监测数据存在着偶然误差,而直接进行基因表达式编程的模型建立,则预测结果往往与真实值相差较大。本文对含噪声的观测值进行小波包去噪,再分别使用去噪数据与原始数据进行建模,实验对比分析表明噪声对基因表达式编程模型的预测产生着一定的影响,并得出在建模前应该进行相关的去噪工作,从而建立的模型进行预测其结果与真实值相差较小,可达到对大坝的变形预测分析及大坝的安全监控的目的。     

基于模糊时间序列的投资组合折中规划

通过建立证券价格为梯形模糊数的模糊时间序列预测证券价格,并以预测值与购买价格的比值衡量投资收益,以预测收益低于期望值的半绝对偏差计量投资风险,建立二目标投资规划模型,采用折中规划的方法求解,与均值-绝对偏差模型投资组合效果进行对比.对15只上证50指标股进行实证分析表明:折中规划可以根据市场的运行趋势进行投资决策,并且可以避免均值-绝对偏差二目标规划在严格数据约束下的无效解问题.     

基因表达式编程用于有机化合物的毒性预测

基因表达式编程方法(GEP)是一种新型的数据挖掘和建模工具,应用GEP方法对110个有机化合物的毒性进行了构效关系研究,并与人工神经网络(BP-ANN)和偏最小二乘(PLS)方法比较.结果发现,GEP方法的预测较好,且模型稳定.     

An Improving Indexing Approach on Time Series Based on Minimum Bounding Rectangle

A fundamental problem in whole sequence matching and subsequence matching is the problem of representation of time series. In the last decade many high level representations of time series have been proposed for data mining which involve a trade-off between accuracy and compactness. In this paper the author proposes a novel time series representation called Grid Minimum Bounding Rectangle (GMBR) and based on Minimum Bounding Rectangle. In this paper, the binary idea is applied into the Minimum Bounding Rectangle. The experiments have been performed on synthetic, as well as real data sequences to evaluate the proposed method. The experiment demonstrates that 69%- 92% of irrelevant sequences are pruned using the proposed method.     

多粒度时间序列中模糊规则的提取

介绍了一种从多粒度时间序列中提取模糊规则的数据挖掘方法,该方法在时间序列中引入多重时间粒度,以模糊规则的形式给出数据挖掘的结果,建立多粒度时间序列的数学模型,并对提取模糊规则中所涉及的一些基本概念作出定义,在此基础上,给出数据挖掘的具体算法,通过实验证明了该挖掘算法的有效性。     

多数据流时间序列中的依赖模式发现算法研究

针对多数据流组成的时间序列中发现有用的结构模式的MSDD算法不能很好地对节点剪枝，以及直观地表示模式的时间关系的问题，经过研究，提出了发现多数据流时间序列结构模式的算法：时间窗口移动筛选算法(TWMA)．采用事件序列化的策略来发现多流时间序列中的依赖模式，与MSDD相比，在表示上更直观，发现模式的过程更灵活．     

时间序列的快速相似性搜索改进算法

针对时序数据进行相似性挖掘方法的研究，提出一种寻找已知序列的所有相似性子序列的方法，用该方法对数据模拟，结果表明该算法提高了查询性能。