GEP解码的局限性分析与对策

论文摘要

基因表达式编程（Gene Expression Programming, GEP）是演化计算的新一代成员,它结合了遗传算法（Genetic Algorithm,GA）编码简单,易于操作与遗传程序设计（Genetic Programming,GP）表达灵活,搜索能力强的特点,进化效率比遗传程序设计系统高出100-60000倍,由于其优越的性能吸引了越来越多的研究者参与其中。人们对GEP个体编码结构,解码方法,种群初始化,各遗传算子等进行了改进,取得了很好的试验效果,GEP与传统人工智能方法相结合进化效率也有所提高。理论上对GEP的模式定理,收敛性的研究也取得了一定的成果。现在GEP已广泛应用于符号回归,分类算法,时间序列预测等。毕竟GEP算法的提出到现在不过十来年时间,理论与应用的研究还有许多领域等待后来者的探索。本文在前人工作的基础上对GEP的研究现状、原理、解码方法及应用进行了研究。本文的主要工作包括以下几个方面的研究与创新:1、介绍了传统的遗传算法和遗传程序设计的相关理论和技术;2、重点介绍了基因表达式编程的各关键因数与算法流程,分析了GEP与GA和GP的本质不同:GEP实现了基因型与表现型的分离;3、分析了传统GEP解码方式的不足,提出了一种新的GEP解码方法:非物理树GEP解码,此方法在解码过程中不需真正物理意义上的表达式树的建立与运算,减少了机器的运算量;4、将新解码算法的GEP应用于符号回归与股票走势的预测,取得了较好的实验结果;5、最后对全文工作进行了总结,分析了本论文存在的问题并对未来发展方向进行了展望。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 论文研究的背景及意义
• 1.2 国内外研究现状
• 1.3 研究的主要内容
• 第二章 进化计算
• 2.1 进化计算
• 2.2 遗传算法
• 2.2.1 遗传算法的基本概念
• 2.2.2 遗传算法的基本要素
• 2.2.3 遗传算法的优缺点
• 2.2.4 遗传算法流程
• 2.3 遗传程序设计
• 2.3.1 遗传程序设计的特点
• 2.3.2 遗传程序设计的基本要素
• 2.3.3 遗传程序设计流程
• 2.4 遗传程序设计的变体
• 2.5 小结
• 第三章 基因表达式编程
• 3.1 染色体与表达式树
• 3.1.1 GEP 编码规则
• 3.1.2 GEP 解码方式
• 3.1.3 多基因染色体
• 3.2 GEP 算法要素
• 3.2.1 适应度函数
• 3.2.2 GEP 中的常数处理
• 3.2.3 遗传算子
• 3.3 算法流程
• 3.4 小结
• 第四章 非物理树 GEP 解码方法
• 4.1 GEP 解码方法简介
• 4.2 传统GEP 解码方法
• 4.3 非物理树GEP 解码方法
• 4.3.1 传统基因解码分析
• 4.3.2 非物理树GEP 解码算法
• 4.4 小结
• 第五章 实验与分析
• 5.1 符号回归实验与分析
• 5.1.1 实验
• 5.1.2 分析
• 5.2 股票预测实验与分析
• 5.2.1 影响股票走势因素
• 5.2.2 时间序列预测
• 5.2.3 GEP 股票预测的设计
• 5.3 小结
• 第六章 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 致谢
• 附录（攻读硕士学位期间发表录用论文）
• 摘要
• ABSTRACT