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]	姜晶菲, 何源宏, 许金伟, 许诗瑶, 钱希福. NM-SpMM：面向国产异构向量处理器的半结构化稀疏矩阵乘算法[J]. 计算机工程与科学, 2024, 46(07): 1141-1150.
[2]	丁建平, 李卫军, 刘雪洋, 陈旭. 命名实体识别研究综述[J]. 计算机工程与科学, 2024, 46(07): 1296-1310.
[3]	胡昭华, 王长富, . 改进Faster R-CNN的遥感图像小目标检测算法[J]. 计算机工程与科学, 2024, 46(06): 1063-1071.
[4]	庄述鑫, 陈永红, 郝一行, 吴巍炜, 徐学永, 王万元. 对抗环境中基于种群多样性的鲁棒策略生成方法[J]. 计算机工程与科学, 2024, 46(06): 1081-1091.
[5]	谭郁松, 王伟, 蹇松雷, 易超雄. 基于异常保持的弱监督学习网络入侵检测模型[J]. 计算机工程与科学, 2024, 46(05): 801-809.
[6]	吴瑕, 郑洪英, 肖迪. 一种基于认证文件的双方验证模型水印方案[J]. 计算机工程与科学, 2024, 46(04): 647-656.
[7]	高珊, 李世杰, 蔡志平. 基于深度学习的中文文本分类综述[J]. 计算机工程与科学, 2024, 46(04): 684-692.
[8]	罗月童, 李超, 周波, 张延孔. 面向工业缺陷分类的交互式易混淆缺陷分离方法研究[J]. 计算机工程与科学, 2024, 46(03): 463-470.
[9]	吕伏, 韩晓天, 冯永安, 项梁. 基于自适应纹理特征融合的纹理图像分类方法[J]. 计算机工程与科学, 2024, 46(03): 488-498.
[10]	吉旭瑞, 魏德健, 张俊忠, 张帅, 曹慧. 中文电子病历信息提取方法研究综述[J]. 计算机工程与科学, 2024, 46(02): 325-337.
[11]	黄泽彪, 董德尊, 齐星云. Gloo+：利用在网计算技术加速分布式深度学习训练[J]. 计算机工程与科学, 2024, 46(01): 28-36.
[12]	邱晓梦, 王琳, 谷文俊, 宋伟, 田浩来, 胡誉. 光流法修正的时序图像语义分割模型[J]. 计算机工程与科学, 2024, 46(01): 102-110.
[13]	崔浩, 万亚平, 钟华, 聂明星, 肖杨. 基于LoRa设备的人体活动识别研究[J]. 计算机工程与科学, 2024, 46(01): 111-121.
[14]	张文豪, 瞿绍军. 基于双解码器结构的多尺度注意力特征融合网络的视网膜血管分割#br#[J]. 计算机工程与科学, 2023, 45(12): 2175-2185.
[15]	陈巩, 李占利, 朱莉. 多尺度深度特征融合的个人信用风险预测[J]. 计算机工程与科学, 2023, 45(12): 2265-2273.