本文關(guān)鍵詞： 基因表達(dá)式編程算法 自適應(yīng)進(jìn)化 分層模型 Spark分布式計(jì)算 預(yù)測　出處：《計(jì)算機(jī)工程與設(shè)計(jì)》2017年12期 　論文類型：期刊論文

【摘要】：為解決基因表達(dá)式編程算法(gene expression programming,GEP)存在的收斂速度慢、早熟、易陷入局部極值點(diǎn)等問題,提出3個(gè)改進(jìn)方法。設(shè)計(jì)自適應(yīng)進(jìn)化參數(shù),實(shí)現(xiàn)根據(jù)進(jìn)化代數(shù)和個(gè)體適應(yīng)度值在群體中所處的排名,動(dòng)態(tài)調(diào)整重組率和變異率;將種群按年齡分層繁衍,進(jìn)一步擴(kuò)大基因搜索空間并避免早熟;將GEP移植到Spark分布式框架,進(jìn)行并行計(jì)算,使算法能在較短時(shí)間內(nèi)處理大量搜索任務(wù)。實(shí)驗(yàn)結(jié)果表明,相比傳統(tǒng)GEP,改進(jìn)后的算法有更快的收斂速度、更高預(yù)測精度和穩(wěn)定性。
[Abstract]:In order to solve the problems such as slow convergence rate, premature convergence and easy to fall into local extremum in gene expression programming algorithm. Three improved methods are proposed. The adaptive evolutionary parameters are designed to dynamically adjust the recombination rate and variation rate according to the rank of evolutionary algebra and individual fitness in the population. Multiply the population by age to further expand the genetic search space and avoid precocity; The GEP is transplanted to the Spark distributed framework, and parallel computation is carried out, so that the algorithm can deal with a large number of search tasks in a relatively short time. The experimental results show that compared with the traditional GEP. The improved algorithm has faster convergence speed, higher prediction accuracy and higher stability.
【作者單位】： 北京工業(yè)大學(xué)計(jì)算機(jī)學(xué)院;
【分類號】：TP18
【正文快照】： 0引言基因表達(dá)式編程算法作為遺傳算法和遺傳編程的繼承與發(fā)展[1],綜合了二者的優(yōu)點(diǎn),在解決復(fù)雜問題上比傳統(tǒng)的遺傳算編程算法高出2-4個(gè)數(shù)量級的效率,在多種領(lǐng)域都有實(shí)際應(yīng)用,展示了其潛力和無限前景[2-4],但是還存在很多問題需要進(jìn)一步的研究和改進(jìn)。王麗萍等提出了基于多偏

【相似文獻(xiàn)】

相關(guān)期刊論文 前1條

1 孔愛民;智能建筑信息系統(tǒng)的分層模型[J];南京理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年S1期

相關(guān)碩士學(xué)位論文 前2條

1 張曉丹;WSN中基于改進(jìn)粒子群優(yōu)化算法的分簇拓?fù)渌惴ㄑ芯縖D];鄭州大學(xué);2017年

2 賈yN愷;基于深度特征學(xué)習(xí)的目標(biāo)檢測與跟蹤算法研究[D];西安科技大學(xué);2017年

，

本文編號：1442734