基于GEP函数发现的智能模型库关键技术研究

论文摘要

计算机技术广泛而深入的应用对决策支持提出了更高的要求。智能决策支持系统(Intelligent Decision Support Systems,IDSS)应运而生。模型库子系统是决策支持系统的核心。但传统模型库的建立方法存在以下缺点:(1)需预先确定好模型库中模型的类型,DSS只能根据样本数据对现有的模型进行有关参数计算,进而让决策者根据结果来进行预测。这种模型库缺少了真正意义上的智能寻找模型类型的功能。(2)可能依赖领域的专家经验。如专家系统需要一个内容丰富而全面的知识库支撑,依靠的是某领域的专家经验,因此,该智能模型库对先验知识依赖性很强,难以实现真正意义上的智能化。(3)在预先不知模型类型时,需凭经验确定模型类型,含有主观和盲目因素。(4)传统方法目前不能支持复杂函数关系式和多分段函数关系式等模型的建立。(5)扩展性较差。针对不同的函数模型类型,在程序实现时就必须有一个新的程序模块。当模型库要进行扩充,系统就要为该模型增加新的代码。为了解决以上问题,本文将基因表达式编程(Gene Expression Programming, GEP)技术引入智能模型库的研究中。基因表达式编程具有极强的函数发现能力和很高的效率,并且在函数发现时不需要任何先验知识,无需预存函数模型的类型,避免了传统算法建模时事先选定函数类型的盲目性。

论文目录

• 摘要
• Abstract
• 1 前言
• 1.1 智能模型库技术的研究现状及研究意义
• 1.2 基因表达式编程技术的研究现状及研究意义
• 1.3 本文组织
• 2 基因表达式编程基本概念和术语
• 2.1 GEP的染色体结构
• 2.1.1 ORF和基因
• 2.1.2 GEP中的基因
• 2.1.3 多基因染色体
• 2.1.4 子表达树的交互作用
• 2.2 适应度函数（FITNESS）
• 2.3 GEP的遗传操作
• 2.3.1 复制（Replication）
• 2.3.2 变异（Mutation）
• 2.3.3 位移（Transpasition）
• 2.3.4 重组（Recombination）
• 2.4 GEP基本算法
• 3 函数发现技术中的数据预处理
• 3.1 复共线性数据的预处理
• 3.1.1 相关概念
• 3.1.2 ε－复共线性数据预处理算法
• 3.1.3 实验
• 3.2 基于HASH函数取样的抽样技术数据预处理
• 3.2.1 SHF模型中的概念
• 3.2.2 各类型变量分布函数的估计
• 3.2.3 Hash函数的构造
• 3.2.4 分层取样
• 3.2.5 基于Hash函数取样的数据预处理算法
• 3.3 本章小结
• 4 基因表达式编程收敛性分析
• 4.1 形式化定义
• 4.2 GEP的马尔可夫链分析
• 4.2.1 马尔可夫链相关概念
• 4.2.2 GEP马尔可夫收敛定理
• 4.3 GEP的依概率收敛分析
• 4.3.1 问题背景及相关定义
• 4.3.2 基于GEP的函数发现依概率收敛定理
• 4.4 本章小结
• 5 基于基因表达式编程的智能模型库系统的实现
• 5.1 基本概念
• 5.2 GEP-IMBS系统主程序算法
• 5.3 适应度函数
• 5.4 基于GEP的智能模型库管理系统框架
• 5.4.1 GEP-IMBS管理系统实现框架
• 5.4.2 GEP-IMBS系统功能模块介绍
• 5.5 智能模型库系统与决策支持系统的接口技术
• 5.6 实验
• 5.7 本章小结
• 6 基于基因表达式编程的智能模型库技术的算法研究
• 6.1 基于GEP的显式智能模型的挖掘算法
• 6.1.1 GEP－EIMA算法
• 6.1.2 实验
• 6.2 基于GEP残差制导进化算法
• 6.2.1 GEP-RGEA算法
• 6.2.2 实验与性能分析
• 6.3 基于基因表达式编程的属性约简函数发现算法
• 6.3.1 基本概念
• 6.3.2 基于基因表达式编程的属性约简函数挖掘模型
• 6.3.3 实验和性能分析
• 6.4 GEP-REFA、GEP-DEPM、GEP-MEM算法简介
• 6.4.1 GEP-DEPM算法
• 6.4.2 GEP-REFA算法
• 6.4.3 GEP-MEM算法
• 6.5 本章小结
• 7 总结及未来工作展望
• 参考文献
• 作者在读期间科研成果简介
• 致谢