自适应基因表达式程序设计在远程教育招生数据分析中的应用研究.docxVIP

自适应基因表达式程序设计在远程教育招生数据分析中的应用研究 【摘要】随着互联网技术的发展，远程教育在现代 教育中起到越来越重要的作用。本文以远程教育招生数据为 研究对象，提出一种自适应基因表达式程序设计算法。该算 法能自适应调整算法的杂交和变异概率，从而有效避免人为 设置初始参数的敏感性。算法在分析现有招生数据的基础 上，预测未来几年的招生规模，有利于招生单位做出有针对 性的调整，并针对我校近几年的招生数据，有效地对以往数 据进行建模，预测未来的招生规模。 【关键词】远程教育；招生；基因表达式程序设计； 建模；预测 【中图分类号】G40-057【文献标识码】A【文章编 号】1009—458X (2015) 02-0067-06 一、引言 随着互联网技术的快速发展，远程教育也得到了快速发 展，在现代教育中的作用也越来越重要［1］。作为远程教育第 一个环节的招生工作，具有十分重要的作用，但竞争日趋激 烈［2］。因此，对已有招生数据进行挖掘分析，建立有效的模 型，可以对未来的招生形势进行预测，以提供有效的决策分 析手段。 远程教育招生人数与国家政策、教育资源、高校排名等 有很大关系。招生数据是典型的时间序列数据，具有高度的 非线性、不规则性和季节性等特点。针对招生数据建立有效 的分析和预测模型，对未来招生形势的分析具有十分重要的 作用。有鉴于此，本文以我校远程与继续教育学院近5年春 秋两季的招生数据为对象，提出一种自适应基因表达式程序 设计(Gene Expression Programming, GEP)算法，对已有 数据进行建模，并根据所建模型预测未来的招生人数。为了 避免人为设置参数对所求解问题敏感性的不足，采用自适应 参数控制技术实现杂交概率和变异概率自适应控制。结果表 明，该算法能建立较准确的模型，实现对未来招生形势的良 好预测。 二、相关工作 基因表达式程序设计 葡萄牙科学家C. Ferreira于2001年提出了基因表达式程 序设计算法。该算法是一种新的非线性程序设计技术，是演 化算法的一种［3］。通过实验分析，C. Ferreira讨论了 GEP在 问题求解、时间序列预测、函数发现、分类规则、符号回归 等问题中的应用。与遗传规划算法不同，在基因表达式程序 设计中，个体采用具有固定长度的线性串(基因组或染色体) 进行编码，并被表示成具有不同大小和形状的非线性实体 （表达式树）。该算法已在多个领域取得了成功的应用 ⑷⑸⑹。 Zhou等研究表明，GEP能够挖掘岀更精简、更有效的 分类规则⑺；Lopes和Weinert研究了 GEP在符号回归问题 中的应用，并提出了一种新的分析符号回归问题的系统： EGIPSYS［8］； Zuo等利用GEP进行时间序列预测，提出了 GEP-SWPM （即 GEP 滑动窗口法）和 GEP-DEPM （即 GEP 常微分方程组法）两种预测方法［9］,实验结果表明，两种方 法在太阳黑子的预测上均取得很好的效果；黄晓冬等提出了 一种基于GEP的函数关系发现方法一一MEM方法，即分域 表达式挖掘。该方法能处理具有一致表达式的关系和具有不 同分域表达式的复杂函数关系，并论证了它具有对数数量级 的复杂度［10］；汪锐等利用GEP实现了多项式函数分解，提 出了 GPF方法。该方法能把任意多项式函数关系，按指定精 度分解若干低次多项式函数的乘积［11］;元昌安等在把GEP 用于函数挖掘时分析了算法的收敛性，根据收敛性定理提出 了残差制导进化算法RGEA,并通过对GP、GEP、RGEA算 法进行比较实验，表明RGEA比前两种方法具有更好的性能 ［12］； Cai等在预测瓦斯涌出量时，把GEP与模拟退火算法 和MPI并行机制相结合，以模拟退火算法来增强算法的搜索 能力，以多群体并行策略来优化算法的性能，形成了混合并 行GEP算法HPGEPSA。结果表明，与传统的GP和基本GEP 相比，HPGEPSA具有更好的适应性、可扩张性和更高的预 测精度［13］0此外，GEP还运用到神经网络的设计［14］、仿 真［15］和文本挖掘［16］中，都取得了较好的效果。 基于数据挖掘的远程教育分析 数据挖掘(Data Mining) —般是指从大量的数据中通过 算法搜索隐藏于其中信息的过程［17］0把数据挖掘技术应用 于远程教育中已受到广泛的重视［18］0王菁菁把STING聚类 技术应用于远程教育系统学生分类中，取得了较好的效果 ［19］；陶灵奴等介绍了数据挖掘技术在远程教育学生考试成 绩分析上的应用和用ID3算法构造决策树的方法，分析了远 程教育中成功应用数据挖掘的思路和模式［20］；肖勇等使用 C4.5数据挖掘算法分析过程考核中采集的数据，研究过程考 核实施中存在的问题和过程考核指标的改进方向［21］；程华 等提出基于K-m