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.

参考文献［9］

［1］	Ferreira C. Gene expression programming: A new adaptive algorithm for solving problems ［J］. Complex Systems, 2001, 13(2):87129.
［2］	Ferreira C. Gene expression programming in problem solving ［M］∥Soft computing and industry:Recent applications, London:Springer, 2002:635653.
［3］	Deng Wei,He Pei,Qian Junyan.Multigene expression programming with depthfirst decoding principle［J］. Pattern Recognition and Artificial Intelligence, 2013, 26(9):819828. (in Chinese)
［4］	Chen Ming, Ding Lixin, Yu Jianping. Convergence theorems for a class of gene expression programming and the generalization［J］. Journal of Chinese Computer Systems, 2013, 34(3):606610. (in Chinese)
［5］	Li Taiyong,Tang Changjie,Wu Jiang,et al.Adaptive population diversity tuning algorithm for gene expression programming［J］. Journal of University of Electronic Science and Technology of China, 2010, 39(2):279283. (in Chinese)
［6］	Jia Liyuan, Zhang Chi. Research and application of an adaptive gene expression programming (AGEP) ［J］. Journal of Central South University (Science and Technology), 2012, 43(6):22102214. (in Chinese)
［7］	Mousavi S M, Aminian P, Gandomi A H, et al. A new predictive model for compressive strength of HPC using gene expression programming ［J］. Advances in Engineering Software, 2012, 45(1):105114.
［8］	Wang W, Du Y, Li Q, et al. Chaotic GEP algorithm for dynamic multiobjective optimization［C］∥Proc of the 7th International Conference on Natural Computation (ICNC 2011), 2011:10671071.
［9］	Liu Qihong, Tang Changjie, Hu Jianjun, et al. Gene expression programming based on diversityguided grading evolution ［J］. Journal of Sichuan University(Engineering Science Edition), 2006, 38(6):101113. (in Chinese)
［10］	O’Neill M, Vanneschi L, Gustafson S, et al. Open issues in genetic programming ［J］. Genetic Programming and Evolvable Machines, 2010, 11(34):339363.
［11］	Zuo J, Tang C, Li C, et al. Time series prediction based on gene expression programming ［C］∥Proc of the 5th International Conference on Advances in WebAge Information Management (WAIM), 2004:5564.
［12］	Li X, Zhou C, Nelson P C, et al. Investigation of constant creation techniques in the context of gene expression programming ［M］∥Proc of Late Breaking Paper at Genetic and Evolutionary Computation Conference (GECCO 2004), 2004:1.
［13］	Mallipeddi R, Suganthan P N, Pan Q K, et al. Differential evolution algorithm with ensemble of parameters and mutation strategies［J］. Applied Soft Computing, 2011, 11(2):16791696.
	附中文参考文献：
［3］	邓薇, 何锫, 钱俊彦. 深度优先的多基因表达式程序设计［J］. 模式识别与人工智能, 2013, 26(9):819828.
［4］	陈明, 丁立新, 余建平. 一类基因表达式程序设计的若干收敛定理及其推广［J］. 小型微型计算机系统, 2013, 34(3):606610.
［5］	李太勇,唐常杰,吴江,等. 基因表达式编程种群多样性自适应调控算法［J］. 电子科技大学学报,2010 39(2):279283.
［6］	贾丽媛,张弛.自适应基因表达式程序设计研究及应用［J］. 中南大学学报(自然科学版),2012 43(6):22102214.
［9］	刘齐宏, 唐常杰, 胡建军, 等. 多样性制导分段进化的基因表达式编程［J］. 四川大学学报(工程科学版), 2006, 38(6):108113.

[1]	马思远, 焦佳辉, 任晟岐, 宋伟. 基于注意力机制的城市多元空气质量数据缺失值填充[J]. 计算机工程与科学, 2023, 45(08): 1354-1364.
[2]	余子丞, 凌捷. 基于Transformer和多特征融合的DGA域名检测方法[J]. 计算机工程与科学, 2023, 45(08): 1416-1423.
[3]	易啸, 马胜, 肖侬. 深度学习加速器在不同剪枝策略下的运行优化[J]. 计算机工程与科学, 2023, 45(07): 1141-1148.
[4]	康宇晗, 时洋, 陈照云, 文梅. 面向迈创+MatrixZone异构系统的深度学习编程框架[J]. 计算机工程与科学, 2023, 45(07): 1149-1158.
[5]	刘浩翰, 孙铖, 贺怀清, 惠康华. 基于改进YOLOv3的金属表面缺陷检测[J]. 计算机工程与科学, 2023, 45(07): 1226-1235.
[6]	田秀霞, 刘正, 刘秋旭, 李浩然. 一种改进Faster R-CNN的图像篡改检测模型[J]. 计算机工程与科学, 2023, 45(06): 1030-1039.
[7]	曹健, 陈怡梅, 李海生, 蔡强, . 基于图神经网络的行人轨迹预测研究综述[J]. 计算机工程与科学, 2023, 45(06): 1040-1053.
[8]	濮子俊, 张寿明. 基于特征融合与Transformer模型的声音事件定位与检测算法研究[J]. 计算机工程与科学, 2023, 45(06): 1097-1105.
[9]	王扬, 陈智斌. 一种求解CVRP的动态图转换模型[J]. 计算机工程与科学, 2023, 45(05): 859-868.
[10]	邓姗姗, 黄慧, 马燕. 基于改进Faster R-CNN的小目标检测算法[J]. 计算机工程与科学, 2023, 45(05): 869-877.
[11]	霍爱清, 张书涵, 杨玉艳, 胥静蓉, 王泽文. 密集交通场景中改进YOLOv3目标检测优化算法[J]. 计算机工程与科学, 2023, 45(05): 878-884.
[12]	方雪杉, 杨云飞, 冯松. 基于多尺度多模态学习的光球亮点曲线轨迹段检测方法研究[J]. 计算机工程与科学, 2023, 45(05): 885-894.
[13]	白钰杰, 裴以建, 朱秀军. 基于改进YOLOv4模型的乳腺钼靶图像肿块检测[J]. 计算机工程与科学, 2023, 45(04): 654-664.
[14]	彭坤彦, 尹翔, 刘笑竹, 李恒宇. 基于粒子群优化和深度强化学习的策略搜索方法[J]. 计算机工程与科学, 2023, 45(04): 718-725.
[15]	黄星威, 陈曦, 张塑凡. 改进特征金字塔的小目标深度学习模型[J]. 计算机工程与科学, 2023, 45(04): 734-742.