论文部分内容阅读
基因表达式编程算法是一种由遗传算法和遗传编程结合而衍生的新兴进化算法。该算法编码和解码非常灵活简单,表达能力强且易于进行遗传操作,解决复杂问题效率高,在各领域得到普遍认可。相比传统的数学统计方法,GEP只需要选择适当的适应度函数来评估染色体,不需要具备深厚的数学基础,甚至不需要详细理解搜索空间知识、数据形态或其他辅助信息,就能准确刻画数据之间复杂的关系,这也是其应用广泛的重要原因之一。相较于当下流行的神经网络方法,GEP不需要准备大量的实验数据作为训练数据,且较少出现过拟合的现象。在实际的应用中,GEP的最终解能转换成一个具体的计算公式,更有益于应用领域的具体实施和落实。但GEP作为一种进化算法,算法陷入局部最优是一个很难避免的问题,对此很多研究者也给出了解决方案。造成这一现象很大的原因来自于迭代过程中算法逐渐收敛的同时,也伴随着种群多样性的流失。而遗传操作概率是影响算法收敛和扩散寻优的关键影响因素。模糊控制是一种由模糊数学发展而来的智能控制技术,能为被控对象提供较合理的、非线性的动态调整方案。为了增强GEP跳出局部最优的能力,本文将多细胞GEP和模糊控制方法结合,提出一种模糊自适应多细胞GEP算法(MGEP-FC),在迭代过程中自适应调节MC_GEP的遗传操作概率。另外,将MGEP-FC算法与小波分析相结合,提出一种基于模糊多细胞基因表达式编程和小波分析的降水建模预测算法(WT_FMC-GEP),对非线性、非平稳性的真实降水数据进行建模预测。本文主要工作如下:(1)本文分析了GEP在迭代寻优过程中存在种群多样性易流失、陷入局部最优的问题,并提出一种可行解决方案——自适应调节遗传操作概率,使算法在迭代过程中达到收敛和分散寻优的平衡。(2)提出了一种多重平行遗传操作策略,不再使用传统的“先交叉后变异”的固定模式,有效的避免了交叉操作对优秀基因序列的大程度且不可逆的破坏,又保留了较差的个体通过交叉操作得到进化的机会。(3)结合模糊控制方法和多重平行遗传操作策略,提出一种模糊自适应多细胞GEP算法(MGEP-FC)。该算法通过模糊控制自适应调节遗传操作概率,并且通过多重平行遗传操作迭代寻优。15个Benchmark的函数优化实验结果表明,相较于传统GEP、MC_GEP以及其他函数优化算法,该算法在稳定性、全局收敛能力和寻优速度等方面都得到了显著提升。并且,10个Benchmark函数的符号回归实验表明,MGEP-FC非常适合处理具有复杂结构的函数发现和数据建模问题。(4)MGEP-FC与小波分析结合,针对降水数据的预测建模提出了一种基于模糊多细胞基因表达式编程和小波分析的降水建模预测算法(WT_FMC-GEP),并对三个经纬度和气候的差异都较大的区域的真实降水量数据集进行降水预测建模。实验表明,WT_FMC-GEP算法的降水预测的性能不但比BP神经网络、支持向量回归机、基因表达式编程等时间序列预测算法的性能好,而且比基于多细胞基因表达式编程与小波分析的降水预测算法的性能好,具有较好的应用前景。