基因表达式编程在多项式函数分解和并列函数关系挖掘中的研究和应用

摘要

科学研究中人们希望发现数据中蕴含的规律。因此，找到一种高效、准确的函数关系发现方法也是数据挖掘方面的一个研究重点。　　本文对利用基因表达式编程(GEP)技术进行函数关系的挖掘进行了较深入的研究，利用该方法进行多项式函数关系的分解，并在此研究的基础上实现了基于多基因染色体的并列函数表达式挖掘，实验证明取得了很好的效果。其间主要完成了如下工作： 1.阐述了数据挖掘的基本概念、一般流程及其分类方法等，分析了函数关系发现这一特殊知识发现形式的特点进行；提出了多项式函数关系分解以及在此基础之上的多函数关系挖掘的重要意义。 2.突破了传统的多项式分解方法，采用数据挖掘的思想，利用基因表达式编程GEP技术提出了基于基因表达式编程的多项式函数关系分解方法GPF。 3.采用了有特色的概率相关因子优化GEP中的适应度函数，使得GPF方法精度提高了27％，同时GPF提出了宽松环境进化策略LEE使得GEP成功率比传统技术提高了最大58倍。 4.在多项式函数关系分解GPF的基础上实现了观察数据集上的基于多基因染色体的并列函数表达式挖掘PPM。 5.利用VisualC++6.0设计实现了基于GEP的挖掘实验平台GEPM，其中包括多项式函数关系分解GPF和多基因染色体的函数表达式挖掘PPM的实现。 6.在GEPM上进行了一系列的相关实验，通过设计实验标准对GPF在不同的输入参数情况下的性能做了对比和评价，对比了各项优化策略使用前后的性能变化，显示了PPM的实际效果。

目录

文摘

英文文摘

1绪论

2数据挖掘综述

2.1数据挖掘及其任务

2.2数据挖掘的流程

2.3数据挖掘的分类

2.4数据挖掘与专家系统、OLAP的区别

3 GEP函数分解和并列函数关系挖掘系统、方法概述

3.1并列函数关系表达式挖掘的特点

3.2遗传算法

3.2.1遗传算法的基本思想

3.2.2遗传算法的基本原理

3.3 GEP与传统遗传算法的比较

4.基于GEP的多项式函数关系分解方法

4.1相关符号和名词说明

4.2基于GEP的多项式关系分解流程

4.3 GEP编码

4.4表达式编码

4.5 GEP浮点数系数编码

4.5采用相关系数的GEP适应度函数设计

4.6遗传算子操作

4.6.1种群的初始化

4.6.1随机最优选择操作

4.6.2 GPF复合交叉操作

4.6.3 GPF复合变异操作

5.基于多基因染色体的并列函数表达式挖掘

5.1在GPF基础上的并列函数关系挖掘PPM

5.2并列函数关系挖掘PPM的运行流程

6.GEPM系统和算法

6.1 GEPM系统结构

6.2 GEPM系统界面和参数

6.2 GEPM系统功能的算法实现

6.2.1 GPF算法描述

6.2.1 PPM算法描述

7.相关实验

7.1实验要点

7.2 GPF对相异次数多项式的分解比较

7.3运行参数中变异概率影响性能测试

7.4相关因子优化策略测试

7.5宽松环境进化LEE优化策略测试

8.结论

参考文献

本文作者在攻读硕士学位期间发表的文章

声明

致谢