基因表达式编程算法的改进及其应用
发布时间：2021-04-18 17:47
2001年,Ferreira通过研究生物界的遗传表达规律提出了基因表达式编程算法（Gene Expression Programming,GEP）。GEP是一种新的进化计算的方法,它借鉴了遗传算法（Genetic Algorithm,GA）和遗传规划（Genetic Programming,GP）,运用了简单的编码技术解决的复杂的实际问题,其优点主要体现在个体的表现形式以及结果的处理上面。本文论述了GEP的几个关键技术,包括GEP的基因及染色体的构成、GEP的遗传操作以及GEP的适应度函数。描述了GEP染色体相较于GA与GP染色体具有的简单、线性、紧凑以及易于进行遗传操作的特点。为了保持种群的多样性、全局收敛性,以及解决易于“早熟”等问题对经典的GEP算法进行改进,分别是改进了GEP遗传操作算子以及改进GEP中函数的参数估计方法,使用最小二乘法对函数中的参数进行估计。本文主要工作包含以下两个方面,首先将GEP首次应用到组卷问题中,对组卷问题进行分析,并进行数据仿真,仿真结果表示将GEP运用到组卷问题上是可行的。其次对函数挖掘问题进行概括和解析,将GEP进行改进,并将改进前后的GEP运用...
【文章来源】：东北石油大学黑龙江省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
轮盘赌选择法的图解
第二章基因表达式编程算法10（1）在[0,1]内随机产生一个随机数r。（2）若r<qi，则染色体ai被选中。（3）若qt-1<r<qt(2≤t≤N)，则染色体ai被选中。其中qi被称为染色体ai(i=1，2，…N)的积累概率，其计算公式为：1()iimmqPa==（2-7）累积概率图解如图2.6所示。图2.6累积概率图解2.3.2变异（Mutation）变异在GEP中起到了维持种群多样性的重要作用[4,21]。因GEP中的变异不受任何的限制，所以可以发生在染色体的任意位置。为保证染色体的完整性及合法性，如果变异发生在基因的头部位置，则这个位置的个体可以变异成为分支节点或者叶节点，如果这个变异发生在基因的尾部，由于基因尾部只能含有叶节点，为了保证染色体的合法性，所以该位置的个体只能变异成为叶节点。因此由此方法得到的染色体在结构上都是正确的。进行变异操作时，首先给出父代基因，基因的尾部用黑体表示，变异发生的位置用下划线表示：父代：012345678012345678*+/12+Q基因基因aababbabbaa(2-8)将父代基因1的2号位置的“Q”变异成为了“+”得到子代1，子代1：012345678012345678*+/12++基因基因aababbabbaa(2-9)将父代基因1的2号位置的“Q”变异成为了“a”得到子代2，子代2：012345678012345678*+/12+a基因基因aababbabbaa（2-10）0.63q21q4410.69q30.14q10概率0.140.490.060.31累积概率
第三章基于GEP的智能组卷算法30215，806]，也就是说这套试题符合给定的约束条件，该组卷算法成功地完成了组卷任务。表3.4进化中使用的参数参数项参数值试题个数1000种群大小200染色体长度34变异率0.28单点重组率0.41两点重组率0.31N的权重12Q的权重14M的权重18P的权重18适应度函数W=1000(N+Q+M+P)图3.7适应度函数与迭代次数变化
【参考文献】：
期刊论文
[1]基于广义最小二乘法的空空导弹幅值滤波器设计方法[J]. 李良,李友年,陈星阳. 航空兵器. 2020(01)
[2]基于改进遗传算法的智能组卷系统设计[J]. 王宣策,欧阳鑫玉. 电脑知识与技术. 2020(02)
[3]决策树分析法在工程项目工期优化中的应用[J]. 陈旭. 现代信息科技. 2019(23)
[4]数据挖掘概述[J]. 何志明,吴梦蝶,李显峰. 中外企业家. 2019(33)
[5]系统聚类法及其应用研究[J]. 安尼卡尔·艾斯卡尔,祖来克孜·米吉提. 价值工程. 2019(17)
[6]遗传算法在优化问题中的应用综述[J]. 李岩,袁弘宇,于佳乔,张更伟,刘克平. 山东工业技术. 2019(12)
[7]公路工程成本管理中偏差分析法的应用[J]. 原山山. 工程建设与设计. 2019(02)
[8]基于线性回归法的多品种盈亏平衡点计算方法[J]. 黄华阳. 纳税. 2018(36)
[9]浅析单纯形法的矩阵计算[J]. 鄢丽. 现代经济信息. 2018(12)
[10]一种基于轮盘赌选择的改进遗传算法[J]. 陈雯祎,李琪. 福建电脑. 2016(05)
博士论文
[1]基因表达式编程核心技术研究[D]. 左劼.四川大学 2004
硕士论文
[1]嵌合遗传算法和Spark的基因表达式编程的函数发现研究[D]. 张维程.南昌大学 2018
[2]基于神经网络的绿色建筑造价成本估算研究[D]. 侯金惠.吉林建筑大学 2018
[3]基于粒子群算法的转子振动特征识别研究[D]. 孙鑫.长春工业大学 2018
[4]基于轮盘赌策略的混沌萤火虫算法研究[D]. 马洁莹.西安电子科技大学 2018
[5]基因表达式编程在电力负荷预测中的应用[D]. 陈晨.西安建筑科技大学 2017
[6]基于遗传算法的智能组卷方法研究[D]. 南瑞涛.哈尔滨工程大学 2017
[7]基因表达式编程算法的改进及应用[D]. 王光亮.北京工业大学 2017
[8]基于改进遗传算法的组卷系统的设计与实现[D]. 王成.湖南大学 2017
[9]智能组卷系统的设计与实现[D]. 肖豆.电子科技大学 2017
[10]基于多染色体基因表达式编程的可逆逻辑综合方法研究[D]. 罗霄.东华大学 2017
本文编号：3145907
【文章来源】：东北石油大学黑龙江省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
轮盘赌选择法的图解
第二章基因表达式编程算法10（1）在[0,1]内随机产生一个随机数r。（2）若r<qi，则染色体ai被选中。（3）若qt-1<r<qt(2≤t≤N)，则染色体ai被选中。其中qi被称为染色体ai(i=1，2，…N)的积累概率，其计算公式为：1()iimmqPa==（2-7）累积概率图解如图2.6所示。图2.6累积概率图解2.3.2变异（Mutation）变异在GEP中起到了维持种群多样性的重要作用[4,21]。因GEP中的变异不受任何的限制，所以可以发生在染色体的任意位置。为保证染色体的完整性及合法性，如果变异发生在基因的头部位置，则这个位置的个体可以变异成为分支节点或者叶节点，如果这个变异发生在基因的尾部，由于基因尾部只能含有叶节点，为了保证染色体的合法性，所以该位置的个体只能变异成为叶节点。因此由此方法得到的染色体在结构上都是正确的。进行变异操作时，首先给出父代基因，基因的尾部用黑体表示，变异发生的位置用下划线表示：父代：012345678012345678*+/12+Q基因基因aababbabbaa(2-8)将父代基因1的2号位置的“Q”变异成为了“+”得到子代1，子代1：012345678012345678*+/12++基因基因aababbabbaa(2-9)将父代基因1的2号位置的“Q”变异成为了“a”得到子代2，子代2：012345678012345678*+/12+a基因基因aababbabbaa（2-10）0.63q21q4410.69q30.14q10概率0.140.490.060.31累积概率
第三章基于GEP的智能组卷算法30215，806]，也就是说这套试题符合给定的约束条件，该组卷算法成功地完成了组卷任务。表3.4进化中使用的参数参数项参数值试题个数1000种群大小200染色体长度34变异率0.28单点重组率0.41两点重组率0.31N的权重12Q的权重14M的权重18P的权重18适应度函数W=1000(N+Q+M+P)图3.7适应度函数与迭代次数变化
【参考文献】：
期刊论文
[1]基于广义最小二乘法的空空导弹幅值滤波器设计方法[J]. 李良,李友年,陈星阳. 航空兵器. 2020(01)
[2]基于改进遗传算法的智能组卷系统设计[J]. 王宣策,欧阳鑫玉. 电脑知识与技术. 2020(02)
[3]决策树分析法在工程项目工期优化中的应用[J]. 陈旭. 现代信息科技. 2019(23)
[4]数据挖掘概述[J]. 何志明,吴梦蝶,李显峰. 中外企业家. 2019(33)
[5]系统聚类法及其应用研究[J]. 安尼卡尔·艾斯卡尔,祖来克孜·米吉提. 价值工程. 2019(17)
[6]遗传算法在优化问题中的应用综述[J]. 李岩,袁弘宇,于佳乔,张更伟,刘克平. 山东工业技术. 2019(12)
[7]公路工程成本管理中偏差分析法的应用[J]. 原山山. 工程建设与设计. 2019(02)
[8]基于线性回归法的多品种盈亏平衡点计算方法[J]. 黄华阳. 纳税. 2018(36)
[9]浅析单纯形法的矩阵计算[J]. 鄢丽. 现代经济信息. 2018(12)
[10]一种基于轮盘赌选择的改进遗传算法[J]. 陈雯祎,李琪. 福建电脑. 2016(05)
博士论文
[1]基因表达式编程核心技术研究[D]. 左劼.四川大学 2004
硕士论文
[1]嵌合遗传算法和Spark的基因表达式编程的函数发现研究[D]. 张维程.南昌大学 2018
[2]基于神经网络的绿色建筑造价成本估算研究[D]. 侯金惠.吉林建筑大学 2018
[3]基于粒子群算法的转子振动特征识别研究[D]. 孙鑫.长春工业大学 2018
[4]基于轮盘赌策略的混沌萤火虫算法研究[D]. 马洁莹.西安电子科技大学 2018
[5]基因表达式编程在电力负荷预测中的应用[D]. 陈晨.西安建筑科技大学 2017
[6]基于遗传算法的智能组卷方法研究[D]. 南瑞涛.哈尔滨工程大学 2017
[7]基因表达式编程算法的改进及应用[D]. 王光亮.北京工业大学 2017
[8]基于改进遗传算法的组卷系统的设计与实现[D]. 王成.湖南大学 2017
[9]智能组卷系统的设计与实现[D]. 肖豆.电子科技大学 2017
[10]基于多染色体基因表达式编程的可逆逻辑综合方法研究[D]. 罗霄.东华大学 2017
本文编号：3145907
本文链接：https://www.wllwen.com/projectlw/swxlw/3145907.html
教材专著
