基因表达式编程中的遗传算子分析

基因表达式编程是一种用线性编码解决复杂问题的遗传算法,已经在多个领域中表现出优越的性能。本文介绍基因表达式编程的基本框架、并分析基因表达式编程中不同遗传算子对算法成功率和群体多样性的影响。     

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%.     

基因表达式编程及其在医学中的应用

基因表达式编程是根据遗传算法与遗传程序设计发展而来的一种新的遗传算法,也是一种新的数据挖掘方法,现在已经广泛用于人工智能、模式识别、图像处理以及生产调度等领域,本论述主要介绍其在医学领域的应用及展望。     

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.     

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.     

多细胞基因表达式编程函数优化的并行算法研究

并行算法是当前研究解决算法效率问题的成熟技术之一。为提高GEP算法解决复杂函数优化问题的效率,将并行算法引入多细胞基因表达式编程函数优化问题,解决传统计算形式不能充分发挥多核处理器性能的问题。通过分析多细胞基因表达式编程并行算法的机理和MPI和Open MP混合并行模型,设计与实现多细胞基因表达式编程函数优化的并行算法(Parallel Multicellular Gene Expression Programming algorithm for Function Optimization)PGMFO。实验结果表明针对复杂的函数优化问题,在不影响精度和收敛性的情况下,PGMFO算法比原有的算法效率高出10%~20%。     

基于多目标基因表达式编程的电路演化算法

为提高电路演化的效率和成功率,对电路设计中涉及的多个目标进行了定义与量化,并针对多目标优化问题,在基因表达式编程(GEP:Gene Expression Programming)的基础上,提出了基于多目标基因表达式编程的电路演化算法(MGEP:Multi-Objective Gene Expression Progra...     

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。     

中立性存在的基因表达式硬件演化算法

针对硬件演化的快速收敛需求和中立存在对硬件演化的作用,提出了有向图基因表达式(GGEP)硬件演化算法。GGEP结合了基因表达式与有向图结构,是一种适用于电路演化的遗传编程方法。GGEP具有天然的中立性存在,使用适应度关联距离(fdc)对比中立存在和不存在时硬件演化的难度。电路演化实验验证了GGEP算法的有效性以及中立性存在的积极作用。实验结果表明:与其他演化算法比较,GGEP的成功率最高,二位乘法器的平均演化代数要少4~20倍;相同的算法复杂度下,中立性存在比不存在时,组合逻辑电路收敛速率提高近1倍,二位乘法器的成功率提高20%~30%。     

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。     

基因表达编程算法的冻融系数预测研究

冻土融沉系数是冻土融化后沉降量的直接反映,影响融沉系数的主要因素有粉黏粒含量、未冻土的含水率、干密度、液塑限等.为了定量化的描述融沉系数与各影响因素之间的关系,引入基因表达式编程算法进行五维空间上的函数挖掘,将函数表达式基因化,通过Karva语言对基因进行编码,利用达尔文的进化理论,初始种群经过若干代的交叉变异,最终得出了最优化的个体,即最优函数表达式.结果表明:得到的函数表达式能综合反映各因素与融沉系数之间的关系;对测试样本进行预测,R2值为99.50%,实现了融沉系数预测的高精度和直观化,为融沉系数预测提供了一种新的智能化方法.     

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％。     

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     

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。