基于局部聚合的复杂网络自动聚簇算法

针对全局聚簇计算消耗偏高的缺陷,提出了基于局部聚合的自动迭代聚簇算法(LAICA)。LAICA首先通过局部聚簇发现网络中连接紧密的节点集,即:局部簇,然后迭代合并局部簇从而实现对网络的全局聚簇。实验结果表明,LAICA算法能自动决定簇数并精确分配节点至其所属簇,在真实网络数据集上的聚簇精确度最高达到99.72%。     

基于朴素基因表达式编程挖掘紧致函数

基因表达式编程(GEP)是一种基因型和表现型相分离的进化新模型,为了挖掘紧致的函数关系,分析了进化系统各因素对挖掘紧致函数的影响,提出了带紧致压力的适应度函数来进化函数紧致解。实验表明,带有紧致压力的适应度函数能自动进化计算机程序,适合挖掘的紧致关系,在挖掘紧致函数中,朴素基因表达式编程(NGEP)比GEP提高效率21.7%,与不带压力的系统相比,GEP的平均压缩了31.2%,NGEP系统平均压缩了42.5%;NGEP较GEP更容易发现紧致解,且函数表达形式更容易理解,丰富了NGEP理论.     

基因表达式编程种群多样性自适应调控算法

为了解决基因表达式编程GEP种群多样性控制问题,提出了一种新的带权种群多样性的自适应调控方法。设计了带权的种群多样性测度方法,详细分析了选择、交叉及变异算子对种群多样性的影响。提出了初始种群的多样化算法DAIP,以保证初始种群多样性的最大化。设计了自适应的交叉和变异算子,提出了种群多样性自适应调控算法APDTA,使种群在进化过程中维持合适的种群多样性,进而提高进化效率。实验验证了APDTA的有效性。     

内嵌基因表达式编程及其在函数发现中的应用

为了提高表达效率,提出了新的基因解码方案,形成了内嵌基因表达式编程算法EGEP;提出了极大表达树、嵌套表达树和拼接表达树等概念;分析了基因的表达空间和算法的复杂度。实验表明,该算法提高了函数发现的成功率;在小规模种群的函数中其能力明显优于GEP。在单基因情况下,目标为一元函数和二元函数时,EGEP平均成功辈数分别为GEP算法的25.5%和16.3%;各种规模下,在EGEP算法中二元函数的成功率平均比GEP提高43%以上。