基于动态评估策略的GEP算法在函数挖掘中的应用研究

摘要

信息社会使人们对于数据的重视程度越来越突出，人们希望挖掘数据中蕴含的规律。因此，找到一种高效、准确的函数关系发现方法是数据挖掘方面的一个研究重点。演化计算在函数挖掘问题上发展迅速，而其中的基因表达式编程(GEP)技术又是近几年来发展起来的全局优化搜索技术，其超强的搜索能力和极高的进化效率，使它迅速在许多领域里得到了广泛的应用。 本文综述了基因表达式编程与演化计算的研究现状；概述了演化计算的发展过程、特点及其分支；详细阐述了基因表达式编程的各个关键技术，包括基因表达式编程的基因和染色体构成，适应度函数和遗传算子的设计；介绍了基因表达式编程优于遗传编程和遗传算法的特点。 为提高基因表达式编程发现知识效率，本文对经典GEP进行了改进，提出基于动态评估策略的函数发现技术。将逐步权重自适应(SAW)应用于基因表达式编程中适应度函数的动态调整，用于提高求适应度效率。提出了逐步权重自适应算法(GEP-SAW)。为验证GEP-SAW算法的正确性及有效性，将算法应用于函数挖掘，本文编制了基于动态评估策略的GEP-SAW应用软件。利用其对一元、二元及三元函数和标准数据集进行挖掘实验，实验表明GEP-SAW优于传统算法及经典GEP算法，具有更高的拟合度和预测精度。

目录

文摘

英文文摘

声明

第一章 绪论

1.1研究背景

1.2函数挖掘国内外研究现状

1.3本文主要工作

第二章 基因表达式编程研究与分析

2.1演化计算介绍

2.1.1演化计算的发展过程

2.1.2演化计算的特点

2.1.3演化计算各个分支

2.1.4演化计算一般步骤

2.2 GEP的基本概念

2.2.1个体组成

2.2.2编码规则

2.2.3表达式树和K表达式

2.3 GEP与GP，GA的比较

第三章 基于动态评估策略的GEP-SAW系统的设计与实现

3.1基因表达的生物学背景

3.2 GEP国内外的研究现状分析

3.3传统GEP技术探究

3.3.1 GEP遗传操作

3.3.2 GEP算法基本结构

3.3.3数值常量的引入

3.3.4适应度函数的构造

3.4逐步权重自适应算法(GEP-SAW)

3.4.1传统GEP函数挖掘方法存在的问题

3.4.2 GEP-SAW基本思想

3.4.3符号描述

3.4.4算法设计

3.4.5动态评估策略下自适应的适应度函数构造

3.5 GEP-SAW系统实现

3.5.1系统框架图

3.5.2用户界面

3.5.3样本数据生成

3.5.4结果输出

第四章 GEP-SAW实验对比与分析

4.1实验要点

4.2 GEP-SAW算法中参数设置对于运行结果的影响

4.3 GEP-SAW在人工合成数据集上的应用

4.3.1 GEP-SAW在一元数据预测模型中的应用

4.3.2 GEP-SAW在二元数据预测模型中的应用

4.3.3 GEP-SAW在三元数据预测模型中的应用

4.4 GEP-SAW在标准数据集上的应用

第五章 总结与展望

参考文献

致谢