基因表达式编程优化算法及其在聚类分析中的应用-电路与系统专业论文.docxVIP

摘要 摘要 摘 要 作为遗传算法家族的新成员，基因表达式编程同时融合了遗传算法定长线性 编码简单快捷的特点和遗传编程树形结构灵活多变的优点，从而跨越表现型的极 限，使基因完全编码在一个固定长度的简单字符串里，用简单编码解决复杂问题。 然而，由于基因表达式编程起步较晚，其理论基础有待进一步完善，实际应用仍 需深入挖掘。 本文首先对传统的基于基因表达式编程的聚类算法进行改进，提出一种新的 聚类合并准则解决原算法后期过合并的问题。在随后的工作中改进了原算法的编 码方式并在进化过程中引入多目标来解决聚类问题。最后，将基于新编码方式的 基因表达式编程多目标聚类算法应用于图像分割。具体工作如下： (1) 提出了一种改进的基因表达式编程单目标自动聚类算法(Modified Single- objective Automatic Clustering based on Gene Expression Programming ， 简称 MSC-GEP)，算法中通过对数据包含样本点的多少排序、引入新的类平均法衡量类 间距提高算法的准确性。 (2) 提出了基于新编码方式的基因表达式编程多目标聚类算法(Multi-objective Clustering Algorithm with New Encoding based on Gene Expression Programming，简 称 MOC-GEP)，新算法提出新的编码方式增加种群的多样性，同时在进化过程中 引入多目标，通过多个目标反映数据的不同结构。这是首次将多目标优化和 GEP 结合用以解决聚类问题，是对 GEP 理论和应用的探索与创新，在 24 个实验数据上 的结果表明新算法的性能优于对比算法。 (3) 将上一工作应用于图像分割，用聚类的思想解决图像分割问题。算法 (Texture Image Segmentation Algorithm based on Gene Expression Programming Clustering，简称TISA-GEP)在图像分割问题上的实验取得了满意的效果。 本 课 题 得 到 国 家 自 然 科 学 基 金 (No 、 国 家 教 育 部 博 士 点 基 金 (No.20070701022) 、 省 自 然 科 学 基 金 (2010JM8030) 、 中 央 高 校 基 本 科 研 基 金 (No.K50511020014)的资助。 关键词：基因表达式编程 聚类 多目标优化 图像分割 AB ABSTRACT AB ABSTRACT ABSTRACT As a new member of the genetic algorithms, Gene Expression Programming has two advantages, one is fixed-length, linear encoder and the other one is flexible tree structure. Because of the two advantages, GEP break the limits of the phenotype and can completely encode gene in a simple string with fixed length. However, due to the late start of gene expression programming, its theoretical basis is to be further improved, and practical applications still need to dig deeper. In this thesis, a new cluster spacing is introduced to improve the accuracy rate firstly. Then, a new encoding method is proposed and multi-objective optimization is introduced to solve the clustering problem. Finally, the multi-objective clustering based on gene expression programming is applied to image segmentation. The specific work is arranged as follows: A Modified Single-objective Automatic Clustering Algorithm