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%.     

提高基因表达式编程发现知识效率的回溯策略

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 with Backtracking 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 Proportional Backtracking Strategy);(4)通过两个实验验证了新算法的有效性,在相同条件下较传统算法的适应度最大提高了49.2%,成功率最高提高了4倍.     

一种改进的二进制编码遗传算法研究

针对普通遗传算法(CGA)易陷入早熟,局部搜索能力较差,全局优化速度缓慢等问题,提出了一种改进的遗传算法(IM_GA),该算法融合了由进化代数或适应度分布调节变异交叉率的思想,从这两个方面共同改进了变异交叉率,仿真结果证明了该改进遗传算法的优越性.与普通标准遗传算法比较,该算法不仅收敛性较好,且能迅速找到全局最优解.     

改进自适应遗传算法在BP神经网络学习中的应用

针对遗传算法容易产生局值的问题,提出一种新的自适应遗传算法,改进遗传算子,通过比较两代之间的适应度评估值,选取适合的交叉率和变异率,保证了优秀个体进入下一代,而且避免了种群中最大适应度值的个体的交叉率和变异率为0的情况.最后,将改进后的算法应用于库存控制模型,实验表明,改进后的自适应遗传算法能避免局值,提高网络的收敛速度,改善了网络的学习性能.     

一种改进的自适应差分进化算法

为了提高基本差分进化算法的寻优速度和寻优效能,提出了一种改进的自适应差分进化算法(ADE).在基本差分进化算法中引入了自适应变异算子,根据每个个体与最优个体适应度值的相互关系,自动地调节变异算子值,使之在进化初期较大,随着个体逐渐接近最优值,算子值逐渐变小,确保个体向最优值快速、稳定地逼近.在每一代变异、交叉和竞争之后,又增加了与随机新种群的竞争操作,使算法易于跳出局部最优点,以提高全局搜索能力.采用4个经典的测试函数对算法进行验证,结果显示:该算法的收敛速度与收敛精度在一定程度上优于基本差分进化算法,同时也优于基于代数进行自适应变异的差分进化算法.     

基于改进灰狼优化算法的医学数据特征选择应用研究

针对灰狼优化算法收敛速度慢、寻优精度低、易陷入局部最优等缺陷,提出一种基于差分进化(DE)的灰狼优化算法(GWODE).该算法在灰狼优化算法的基础上,引进差分进化机制生成变异种群,通过调节缩放因子和交叉概率因子避免算法陷入局部最优.引入精英保留策略,根据进化后狼群适应度进行排序,淘汰适应度差的灰狼,同时再引进相同数量灰狼确保种群的竞争力.本文将该算法应用于生物医学诊断方面.实验结果表明,本文提出的算法性能优于实验对比的特征选择算法.     

基于自适应遗传算法的粒子滤波器

针对重采样导致的权值退化问题,应用遗传算法的进化思想来优化重采样算法,将粒子权值作为适应度值,合理设定阈值,利用最佳个体保存法保存高适应度粒子,利用自适应交叉、变异操作对低适应度粒子进行进化,将高适应度粒子与进化粒子组合成新的粒子集进行状态估计.仿真实验表明,该算法具有良好的实时性和估计精度,其状态估计精度比标准粒子滤波提高近24倍,比无迹卡尔曼粒子滤波提高近4倍,耗时约为无迹卡尔曼粒子滤波的1/10.     

机场巴士线网可靠性优化模型及算法设计

建立了基于BP神经网络的机场巴士行程时间可靠性预测模型,量化了机场巴士线网可靠性程度,并以可靠性最大化为目标,综合考虑时间、站点、服务等约束条件,构建了机场巴士线网优化模型.然后采用爬山算法获取线路初始解,以可靠性建立适应度函数,采用不同变异率、交叉率设计混合遗传算法进行求解.实例研究结果显示:高峰时段南京禄口机场巴士线网可靠性仅为0.62,城区内路段可靠性较城区外低约15%,整体可靠性水平偏低;采用混合遗传算法的优化过程受交叉率、变异率影响大,较低的交叉率和较大的变异率会增加寻优过程的不稳定性;采用交叉率0.9、变异率0.05的模型时目标函数值为0.79,可靠性水平较优化前提升了11.5%,优化效果显著.该方法为优化机场巴士线网、提升机场对外交通服务效率提供了科学依据.     

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.     

基因表达式编程中性突变机理分析

针对基因表达式编程(GEP)的进化模型,其基因组存在不被表达的中性区,研究了GEP中性区在进化中的作用,指出GEP基因存在中性区域,进化进程中必存在中性突变,分析了GEP的基因表示的中性区域存在的特点;通过控制基因长度和基因数量技术,调控中性区的大小和数量,讨论了GEP的中性区域对进化的作用.实验表明,GEP中性区域保持50%～80%,能保证较高的挖掘成功率.     

一种改进的自适应遗传算法

在对自适应遗传算法中选择、交叉、变异算子作用分析的基础上,提出一种新的自适应遗传算法,新算法基于实数编码机制,选择操作采用精英选择与轮盘赌相结合,变异和交叉操作采取根据适应度自适应地非线性调整变异和交叉概率的策略,同时提出进化的后期采取先变异后交叉的操作次序.仿真实验表明,新算法有效防止早熟,收敛速度更快,鲁棒性更好且拥有较强的寻优能力.     

基于自适应遗传算法的矿山设备系统优化

提出了基于自适应遗传算法的矿山装备系统优化算法模型,采用多参数级联符号编码,其变异率和交叉率可根据群体适应度自调整而具有更好的收敛效果和全局搜索能力。根据矿山设备系统的实际特点,对算法模型中的交叉率和变异率等关键算子和操作步骤作了较详细叙述。理论上分析了自适应遗传算法在解决此类问题上的可行性。矿山生产企业根据矿山设备系统优化模型的自适应遗传运算结果,优化设备系统,可以达到提高矿山投入产出比,有效提高矿山产能的目的。     

基于离散变量自适应遗传算法的改进

在自适应遗传算法中交叉算子和变异算子随着其适应度变化自动改变其值,从而影响遗传进化的过程,但算法在进化初期对遗传操作的效果并不明显。本文针对离散变量的特征,通过计算个体间的离散程度,判断种群的进化程度,根据不同的进化时期自适应调整交叉概率和变异概率,使得种群的交叉和变异配合进行,有效地解决了离散变量在进化初期容易陷入局部寻优的问题。实验结果表明,算法经改进后,其全局收敛的可靠性增加并加快了收敛的速度。     

一种基于方差的自适应遗传算法

为了解决遗传算法的收敛速度和全局收敛性之间的矛盾,本文提出了一种改进的自适应遗传算法Adaptive GA Based on Square Error(SEAGA)。在原自适应遗传算法Adaptive GA(AGA)的基础上提出用适应度方差函数来监控种群的进化情况并据此自动调整算法的交叉率和变异率的思想。通过用此算法对测试函数进行计算,并与SGA,AGA的结果进行比较,可以看出本算法在收敛速度和全局搜索性上优于其它同类算法。     

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.     

采用基因表达式编程的自适应层次聚类方法

针对层次聚类算法高维度数据计算复杂度较高、抗干扰性较差、误差较大等不足,在结合基因表达式编程(GEP)非线性演化优越性能的基础上,提出一种基于GEP计算模型的层次聚类算法(GEPHCA),寻找经过基因遗传进化适应度最高的聚类中心.通过试验对比验证可知:基于基因表达式编程的自适应层次聚类方法在实际应用中是有效的,不仅能够实现自动聚类,而且和一般的聚类方法进行比较,具有自适应迭代、速度较快、稳定高效等优点.     

基于改进遗传算法的otsu图像分割算法

在图像分割过程中,传统的遗传算法存在收敛速度慢、易陷入局部最优解等缺陷.因此,提出了一种基于改进遗传算法的otsu图像分割算法,该算法在原有分割算法基础上对交叉率和变异率进行改进,使用otsu作为适应度函数,并采用选择、交叉、变异等操作寻找最佳分割阈值.仿真实验表明,该算法可以有效提高图像的分割精度和计算速度,证明了该算法具有良好的寻优能力.