论文部分内容阅读
具有智能特性的进化计算，已被成功应用于数据挖掘领域。基因表达式编程(GEP)是在遗传算法和遗传编程基础上提出的一种新型的进化计算，已在函数发现、优化问题等方面取得了良好的效果。本文以GEP为主要研究对象，研究如何用GEP解决优化与学习方面的相关问题，这些问题是进化计算与数据挖掘相结合的热点问题，是进化计算应用研究的重要方向。本文主要工作和成果如下：
本文对GEP进行了专门的研究，包括它的起源和特点、基本结构、适应度函数、选择算子和遗传算子及其相关应用等。另一方面，研究优化和学习方面的相关知识，以及其他一些进化机制，如病毒进化、克隆选择和量子进化。
本文主要工作是研究GEP在多目标优化、分类规则挖掘方面和信用评估方面的应用。一方面，针对多目标优化问题，对基本的GEP编码做相应的改造，并对其进行理论分析。然后在此基础上，研究新的基于GEP的多目标优化算法，分别设计了GEP和病毒进化以及GEP和量子进化相结合的两种算法。在一些多目标优化测试函数上的实验结果表明，这两种新算法对于解决多目标优化问题效果良好。另一方面，本文还研究了GEP在分类规则挖掘这类学习问题中的应用，设计了两种新的基于GEP的分类规则挖掘算法。在几个标准分类数据集上的实验结果验证了这两种分类规则挖掘算法的有效性。最后，本文研究并设计了一种新的基于GEP的信用评估方法，信用评估问题本质上是模式识别的分类问题。
通过对多目标优化和分类规则挖掘(包括信用评估)这两大类优化与学习问题的研究，本文设计并实现了多种基于GEP的解决上述问题的新算法，并取得了较好的实验结果。