论文部分内容阅读
基因表达式编程(Gene Expression Programming,GEP)是葡萄牙学者Candida Ferreira于2001年提出的新的进化计算模型,是借鉴生物遗传的基因表达规律提出的知识发现新技术。基因表达式编程在个体的表示、处理和结果的形式上等方面与传统遗传算法(Genetic Algorithms,GA)及遗传程序设计(Genetic Programming,GP)有着显著的区别。遗传程序设计是在遗传算法的基础上发展起来的,在性能上优于遗传算法,而基因表达式编程与遗传程序设计相比,在符号和表达式的处理上更有优势。本文概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,评价函数和遗传算子的设计,详细阐述了基因表达式编程的特点,与GA,GP相比,GEP具有染色体简单,线性和紧凑、易于遗传操作等优点。分析了经典GEP在保持种群多样性和全局收敛性之间的矛盾以及“早熟”现象产生的原因。为了克服以上缺点,对经典GEP进行了改进,分别是改变符号权重、加入分级策略思想和产生新个体方式的改进。在产生新个体时设计了一种启发式加速搜索策略以及多样性算子。通过一些测试例子对改进的GEP算法进行实验,实验结果表明,改进的GEP算法优于经典GEP算法,较好地解决了种群中多样性和收敛速度的矛盾,两组实验成功率分别提高了14.8%和21.0%。在实践方面,将改进的GEP算法运用到函数挖掘和图像配准问题。对函数挖掘问题进行了分析,将改进的GEP应用到函数挖掘问题,通过一些测试例子对改进的GEP算法进行实验,实验结果表明,改进的GEP算法是有效的。对图像配准问题进行了一定的概括,给出了图像配准的意义、变化类型、基于控制点的配准步骤等,并分析了现有模型的优缺点,给出了改进的GEP算法运用到图像配准问题的详细步骤,并做了实验,取得了较好的结果。编制了改进的GEP算法的软件,介绍了软件的系统构架、界面和相关操作。