基于协同进化基因表达式编程的函数发现研究

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (17): 53-57.

基于协同进化基因表达式编程的函数发现研究

王超学1，张星1，马春森2，张涛1

1.西安建筑科技大学信息与控制工程学院，西安 710055
2.中国农业科学院植物保护研究所，北京 100193

出版日期:2013-09-01 发布日期:2013-09-13

Research of function mining based on co-evolutionary gene expression programming

WANG Chaoxue1, ZHANG Xing1, MA Chunsen2, ZHANG Tao1

1.School of Information and Control Engineering, Xi’an University of Architecture and Technology, Xi’an 710055, China
2.Institute of Plant Protection, Chinese Academy of Agricultural Sciences, Beijing 100193, China

Online:2013-09-01 Published:2013-09-13

摘要/Abstract

摘要： 基因表达式编程（GEP）算法是一种具有强大函数发现能力的新型进化算法。GEP在函数发现时如何确定合适的数值常量对算法的性能具有很大影响。提出了一种基于协同进化基因表达式编程的函数发现算法（GEP-DE），该算法的最大改进在于一种新的常量优化方法：在每一代中将函数发现的过程分为两个阶段：第一阶段，由标准GEP算法结合固定常量集确定函数结构；第二阶段，使用差分进化算法（DE）对第一阶段得出的函数结构的常量进行优化。实验结果表明，GEP-DE算法比重要文献中的常量处理方法其效果有较大提升，并且算法的综合性能也优于最新重要文献提出的GEP算法。

关键词: 进化计算, 函数发现, 常量优化, 差分进化, 协同进化

Abstract: Gene Expression Programming（GEP） is a powerful evolutionary algorithm widely used in function mining. and how to determine numeric constants has important influence to the performance of GEP. A novel approach of optimizing numeric constants based on co-evolutionary Gene Expression Programming（GEP-DE） is proposed in this paper. The main improvement in GEP-DE is to give a novel numeric constants optimization method, where the evolutionary process is divided into 2 phases in each generation：in the first phase, GEP focuses on optimizing the structure of function expression, and in the second one, DE focuses on optimizing the constant parameters. The experimental result on function mining problems shows that the performance of GEP-DE is better than that of the state-of-the-art GEP variants.

Key words: evolution computing, function mining, constant optimization, differential evolution, co-evolution

王超学1，张星1，马春森2，张涛1. 基于协同进化基因表达式编程的函数发现研究[J]. 计算机工程与应用, 2013, 49(17): 53-57.

WANG Chaoxue1, ZHANG Xing1, MA Chunsen2, ZHANG Tao1. Research of function mining based on co-evolutionary gene expression programming[J]. Computer Engineering and Applications, 2013, 49(17): 53-57.

[1]	邹杰，李俊. 多策略协方差矩阵学习差分进化算法[J]. 计算机工程与应用, 2021, 57(7): 78-87.
[2]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[3]	钱峥远，曾国荪. 精英化岛屿种群引导的差分进化算法[J]. 计算机工程与应用, 2021, 57(20): 73-81.
[4]	崔彩霞，毕超超，范勤勤. 基于隐马尔可夫链的自适应MODE及应用[J]. 计算机工程与应用, 2021, 57(14): 83-94.
[5]	李荣，贺兴时，杨新社. 基于差分进化的飞蛾算法在电力调度中的应用[J]. 计算机工程与应用, 2021, 57(13): 258-268.
[6]	沈鑫，邹德旋，张强. 采用双变异策略的自适应差分进化算法及应用[J]. 计算机工程与应用, 2020, 56(4): 146-157.
[7]	张梦琳，江沸菠，董莉，高颖. 智能无人机轨迹与任务卸载联合优化[J]. 计算机工程与应用, 2020, 56(21): 38-46.
[8]	王浩，李俊，周蓉. 自适应合并与分裂的多种群差分进化算法[J]. 计算机工程与应用, 2020, 56(15): 162-171.
[9]	宋美，葛玉辉，刘举胜. 基于协同进化的动态双重自适应改进PSO算法[J]. 计算机工程与应用, 2020, 56(13): 54-62.
[10]	王亚东，石全，尤志锋，宋卫星. 差分准对立学习多目标蚁狮算法[J]. 计算机工程与应用, 2020, 56(13): 156-163.
[11]	耿焕同，周利发，丁洋洋，周山胜. 一种基于新型差分进化模型的MOEA/D改进算法[J]. 计算机工程与应用, 2019, 55(8): 138-146.
[12]	迟宗正，董绍正，郭童，任志磊，周宽久，郭禾. 求解风力发电机布局问题的超启发式算法研究[J]. 计算机工程与应用, 2019, 55(7): 220-225.
[13]	刘茜1，毛力1，杨弘2. 差分进化引导趋化算子的烟花优化算法[J]. 计算机工程与应用, 2019, 55(3): 140-146.
[14]	姜圣涛，穆学文. 广义模糊熵图像阈值分割参数选取的ADE方法[J]. 计算机工程与应用, 2018, 54(9): 183-188.
[15]	廖雄鹰1，2，李俊1，2，罗阳坤1，2，李波1，2. 基于自适应变异算子的差分进化算法[J]. 计算机工程与应用, 2018, 54(6): 128-134.