改进的基因表达式编程算法的研究及其应用

作     者：费红霞 

作者单位：武汉科技大学 

学位级别：硕士

导师姓名：潘炼

授予年度：2009年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：基因表达式编程 遗传算法 作业车间调度 调度方案 自动聚类 

摘      要：进化计算是当前人工智能、知识工程、数据挖掘中的研究热点。遗传算法和遗传编程是众多进化计算模型中的两个最典型的模型。F. Candida于2001年提出了新的进化计算模型——基因表达式编程(Gene Expression Programming, GEP)。GEP是一种新型的遗传算法,它继承了遗传算法(Genetic Algorithm, GA)和遗传程序设计(Genetic Programming, GP)的优点,并且具有更高的效率和更强的搜索能力,既具有遗传算法的简单性,又具有遗传编程的功能。在对很多问题的求解效率上,比普通的遗传编程高2-4个数量级。它是借鉴生物选择和进化机制发展起来的一种高度并行、随机、自适应搜索算法。 本文首先介绍了基因表达式编程算法,然后将其改进后应用于求解作业车间调度问题和自动聚类问题。 作业车间调度问题是许多实际生产调度问题的简化模型,其研究具有重要的理论意义和工程价值。基因表达式编程算法结合了遗传算法和遗传编程的优点,具有更强的解决问题的能力,对基因表达式编程算法进行改进使其在作业车间调度问题的应用上更加有效。最后应用一个实例来验证提出的方法的有效性,获得的调度方案的时间非常短,这个实验结果表明了提出的算法是有效的。数据挖掘的目的是从海量的数据中提取人们感兴趣的,有价值的知识和重要的信息。聚类分析是数据挖掘的一个重要研究领域,它在商业、生物、医学、地质、Web文档等方面都有重要的应用,是当前的研究热点之一。应用改进的GEP算法在不需要先验知识的条件下对数据样本进行自动聚类,最后通过两组实验来验证此方法在自动聚类中的应用是非常有效的。