深度广度联合解码的基因表达式程序设计

J4 ›› 2014, Vol. 36 ›› Issue (10): 1966-1971.

深度广度联合解码的基因表达式程序设计

张建明，唐勇，周书仁，吴宏林

(长沙理工大学计算机与通信工程学院，湖南长沙 410114)

收稿日期:2014-06-15 修回日期:2014-08-20 出版日期:2014-10-25 发布日期:2014-10-25
基金资助:
国家自然科学基金资助项目(61202439)；湖南省教育厅优秀青年资助项目(12B003)；湖南省交通厅科技计划资助项目(201334)

Gene expression programming combining
depth-first and breadth-first decoding principles

ZHANG Jianming,TANG Yong,ZHOU Shuren,WU Honglin

(School of Computer and Communication Engineering,Changsha University of Science and Technology,Changsha 410114)

Received:2014-06-15 Revised:2014-08-20 Online:2014-10-25 Published:2014-10-25

摘要/Abstract

摘要：

基因表达式程序设计(GEP)在时间序列分析、分类、自动程序设计、多目标优化、海量数据分析等领域中有着广泛的应用。在GEP解码过程中，将深度优先和广度优先技术的优点相结合，提出了基于深度广度联合解码的GEP算法，从而既能适量地增加种群中个体的多样性，又能适当地保留较优的子树信息(sub_ET)。实验表明，相比标准GEP算法，新算法在进化时间增加不多的情况下提高了平均适应度，获得了更高的成功率。

关键词: 深度, 广度, 解码, 基因表达式程序设计, 符号回归

Abstract:

Gene Expression Programming (GEP) is an automatic programming approach widely used in many areas,such as time series analysis,classification,multiobjective optimization and massive data analysis.A new GEP algorithm is proposed by combining the advantages of the depthfirst and breadth-first technologies in the GEP decoding process.The new algorithm can increase the diversity of individuals and properly preserve better sub_ETs.The experimental results show that,compared with the standard GEP algorithm,the new algorithm can improve the mean fitness without increasing too much evolutionary time,thus achieving a higher success rate.

Key words: depth;breadth;decoding;GEP;symbolic regression

张建明，唐勇，周书仁，吴宏林. 深度广度联合解码的基因表达式程序设计[J]. J4, 2014, 36(10): 1966-1971.

ZHANG Jianming,TANG Yong,ZHOU Shuren,WU Honglin. Gene expression programming combining
depth-first and breadth-first decoding principles [J]. J4, 2014, 36(10): 1966-1971.

[1]	吴玉虹, 王建. 基于Patches-CNN的模拟电路故障诊断[J]. 计算机工程与科学, 2025, 47(01): 35-44.
[2]	徐超, 阮荣耀, 陈勇, . 一种基于区块链的医疗数据审计方法[J]. 计算机工程与科学, 2025, 47(01): 95-106.
[3]	齐然然, 帕力旦·吐尔逊, 汤泊川, 钱育蓉, . 基于残差注意力编-解码网络的道路提取方法[J]. 计算机工程与科学, 2025, 47(01): 119-129.
[4]	陈欣然, 刘宁, 闫中敏, 刘磊, 崔立真. 基于注意力指导的双粒度跨模态医学特征学习框架[J]. 计算机工程与科学, 2025, 47(01): 150-159.
[5]	罗婧, 叶志晟, 杨泽华, 傅天豪, 魏雄, 汪小林, 罗英伟, . 研发类GPU集群任务数据集的构建及分析[J]. 计算机工程与科学, 2024, 46(12): 2128-2137.
[6]	敬超, 闭玉申. 面向深度学习作业的干扰感知在线调度算法研究[J]. 计算机工程与科学, 2024, 46(12): 2138-2148.
[7]	毛润泽, 吴子恒, 徐嘉阳, 章严, 陈帜, . DeepFlame：基于深度学习和高性能计算的反应流模拟开源平台[J]. 计算机工程与科学, 2024, 46(11): 1901-1907.
[8]	段成龙, 袁杰, 常乾坤, 张宁宁. 基于D2GA的逆强化学习算法[J]. 计算机工程与科学, 2024, 46(11): 2053-2062.
[9]	陈昌奉, 赵宏州, 周恺卿. 基于图神经网络的代码抄袭检测方法[J]. 计算机工程与科学, 2024, 46(10): 1815-1824.
[10]	王鹏, 张嘉诚, 范毓洋, . 适应于硬件部署的神经网络剪枝量化算法[J]. 计算机工程与科学, 2024, 46(09): 1547-1553.
[11]	赵鑫博, 陆忠华. 面向深度行情因子挖掘的分布式训练关键技术研究[J]. 计算机工程与科学, 2024, 46(09): 1554-1565.
[12]	陈磊, 梁正友, 孙宇, 蔡俊民. 多尺度特征融合的移动端单目深度估计研究[J]. 计算机工程与科学, 2024, 46(09): 1616-1524.
[13]	李猛, 刘姿邑, 宋宇航. 基于双重自表达与最大熵原理的深度子空间聚类算法[J]. 计算机工程与科学, 2024, 46(09): 1685-1692.
[14]	辛高枫, 刘玉潇, 张青龙, 韩锐, 刘驰. 边缘侧神经网络块粒度领域自适应技术研究[J]. 计算机工程与科学, 2024, 46(08): 1361-1371.
[15]	刘强, 李沐春, 伍晓洁, 王煜恒. S-JSMA：一种低扰动冗余的快速JSMA对抗样本生成方法[J]. 计算机工程与科学, 2024, 46(08): 1395-1402.