基于GEP的多数据流预测算法

针对传统的基于线性回归预测建模方法只能适应简单的预测建模和只能预测未来窗口平均值的不足,提出了基于基因表达式编程(gene expression programming,GEP)的多数据流预测方法。在多数据流环境中使用滑动窗口对多数据流的划分方法,给出了多数据流环境中的数据流名称的定义,揭示了这些数据流之间存在的映射关系;进而提出了对多数据流进行预处理的方法,并建立了基于GEP的多数据流的自适应预测模型。使用真实数据进行实验,验证了算法的有效性。     

一种基于GEP演化布尔函数的流密钥算法

密钥产生器是流密码系统的核心部件,根据非线性组合流密钥生成器的构造思想,本文提出了一种新的RSA-LFSR密钥流产生器,该产生器将RSA与LFSR算法相结合所产生的随机序列用一种基于基因表达式程序设计(GEP)的演化布尔函数进行组合运算输出密钥流;并对此产生器生成的不同长度密钥序列进行安全性检验.通过游程检验、频数检验、序列测试和线性复杂度计算的实验证明,使用基于GEP演化布尔函数的RSA-LFSR密钥流产生器要比传统的非线性组合密钥生成器更具优越性和安全性.     

一种基于PCA的GEP算法及在采煤工作面瓦斯涌出量预测中的应用

在研究主成分分析和基因表达式程序设计的基础上，提出一种基于主成分分析的基因表达式程序设计新算法，并将其用于采煤工作面瓦斯涌出量的预测．该算法先采用主成分分析方法对影响瓦斯涌出的变量进行降维处理，有效地减少预测模型的输入量，消除输入数据间的相关性，再用基因表达式程序设计建立采煤工作面瓦斯涌出量的预测模型．结果表明，预测结果比遗传规划和基因表达式等其他算法得到的结果具有更高的预测精度和稳定性．     

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.     

基于GEP的四维飞行轨迹预测模型

针对传统的空气动力学模型在四维飞行轨迹预测上误差较大的问题,提出了一种基于改进的基因表达式编程(GEP)的预测模型.该模型通过历史飞行时间数据找出飞行位置、高度和过固定点时间的函数对应关系,预测下次飞行过每个固定点的高度和时间,对全程采样固定点的预测实现完整的四维轨迹预测.仿真试验验证了该预测模型更为理想,更加符合实际情形.     

基于Kriging的多重GEP演化建模趋势分析圈定区域化探异常研究

化探异常是找矿的重要依据.传统地质统计方法具有无偏、最优等特点,但要求数据呈正态分布,而实际应用往往不符合统计假设;近年来分形理论被大量应用于地球化学异常确定,但存在需要平滑处理数据、不适合含特高品位值等问题;采用随机模拟进行空间分析往往忽视了数据空间分布的结构性特征.本研究利用基因表达式编程(Gene Expression Programming,GEP)在复杂数据建模方面的优势,提出GEP演化建模与空间结构分析有效结合的研究思路,通过克立格选择邻域样品,增强数据空间局部结构信息,采用GEP进行空间趋势分析,并利用多重演化建模技术修正趋势面模型.在云南个旧锡铜多金属矿床的应用实例表明,该研究充分利用了局部空间结构信息,强化局部区域的估值结果,提高建模精度,为有效圈定致矿异常提供新的解决途径.     

基于GEP的支持向量机参数优化

支持向量机(SVM)具有优良的学习能力和推广能力,然而其性能依赖于参数的选取.本文对影响模型分类能力的相关参数(C、σ2)进行了研究,提出了一种基于基因表达式编程(Gene Expression Programming,GEP)的支持向量机参数选择算法,即根据参数在分类器中的作用,利用GEP优化参数的两种编码方案分别对C与σ2进行编码,期望改进支持向量机的分类精度和泛化能力.最后实验表明了本文算法的有效性.     

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．     

项目式教学在程序设计课程中的应用

传统的程序设计课程的教学存在语句语法过细过多、忽视基本问题求解过程、算法意识薄弱等问题,项目式教学通过一些趣味性的实际问题的求解来贯穿各个知识点,抓住主线,突出基本概念与方法,重点放在思路、算法、编程构思与程序实现上,可以很好地激发学生学习兴趣,提高教学效率和质量。     

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.     

基于GEP的层次有序BP神经网络优化

BP神经网络(BP-NN)因其自适应性、容错性和较强的泛化能力而得到广泛的研究及应用,但在实际应用中,却常常出现收敛速度慢、易陷入局部最优等问题.该文的新算法利用基因表达式编程(GEP)具有的良好全局搜索能力,对神经网络结构、权值及阈值进行优化;结合反向传播算法(BP)的局部搜索能力,有效提高了神经网络的性能;针对传统GEP设计神经网络会使网络结构失去层次性的问题,提出基于增加结构域染色体编码方法的GEP层次有序BP神经网络优化算法(GEPO-NN),保证网络结构层次有序符合人脑分层处理模型:最后,通过仿真实验对比GEP和遗传算法(GA)对BP神经网络的优化性能.结果表明,GEPO-NN有明显的性能提高.     

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．     

维度模型中微型维度的应用研究

维度建模技术作为数据仓库的主导技术,在数据仓库的应用中起着关键作用。针对实际维度建模中存在的存储空间浪费与数据冗余等问题,提出了一种新的使用微型维度的解决方案,并阐述了解决问题的具体过程。     

留数定理在实积分中的应用研究

留数定理是复变函数中最重要的定理之—,通过应用留数定理将几种实函数积分转化为复函数积分,达到了化难为易,化繁为简的效果,并举例加以说明。     

基因表达式程序设计方法在采煤工作面瓦斯涌出量预测中的应用

基因表达式程序设计是一种基于基因组和表现型组的新型遗传算法，该算法在运行时具有很高的效率，实验表明在求解很多问题的时候比遗传规划优越两个数量级以上．预测采煤工作面瓦斯涌出量是进行通风设计和制定矿井安全技术措施的重要依据，而影响采煤工作面瓦斯涌出量的各因素之间关系不明确．基因表达式程序设计比较适合于求解这一类复杂的非线性问题．本采用基因表达式程序设计，建立了采煤工作面瓦斯涌出量的预测模型．结果表明，预测结果比遗传规划得到的结果具有更高的预测精度和很好的稳定性．章最后指出了该方法具有广泛的应用前景．     

多目标人工蜂群双聚类算法在基因表达数据中的应用研究

基于多目标优化的双聚类算法能够同时优化均方残差和尺寸等多个相互冲突的目标,更好地挖掘出均方残差较小、尺寸较大的双聚类,提出了一个多目标人工蜂群双聚类算法．该方法首先采用组信息对蜜源进行编码,然后使用2种交叉和1种变异操作分别实现算法的局部搜索和全局搜索,最后根据非劣排序和拥挤距离对外部档案进行修剪．在2套真实的基因表达数据集上进行实验,结果表明：与其他公开算法相比,多目标人工蜂群双聚类算法具有较好的收敛性和种群多样性,同时挖掘出具有显著生物意义的双聚类．     

暴雨强度计算模型参数拟合优化的新进化方法

针对传统推求暴雨强度计算模型的参数的方法,不仅计算复杂、通用性差且常得不到全局最优解等问题,提出利用基因表达式编程对单一重现期暴雨强度计算模型参数的拟合优化的GEP＿FPO算法,讨论了该算法的最优化特性和实施过程,并进行了实例计算评估分析,验证了基因表达式编程在单一重现期暴雨强度计算模型参数的拟合优化问题中是可行的,且效果较好。     

聚类算法在基因表达数据分析中的应用

聚类算法在基因表达数据的分析处理中得到日益广泛的应用．文中对几种典型的聚类算法进行描述，对各算法在基因表达数据处理中的特点，进行评价并提出改进的策略．最后，指出聚类算法在生物信息学应用中的发展趋势。