论文部分内容阅读
基因表达式程序设计(Gene Expression Programming,GEP)结合遗传算法(Genetic Algorithm,GA)和遗传程序设计(Gene Programming,GP)二者各自的优点,可以使用线性定长的染色体来表示不同形状和尺寸的树型结构的表达式树(Expression Tree,ET)。与传统的GP相比,GEP中基因型和表现型是分离开的,这一特性使得GEP算法在运行过程中遗传操作更加方便,算法能够更快速的搜索整个解空间,使算法更快地收敛。GEP算法提出的时间不长,对它的相关方面的研究才刚刚开始,因此需要丰富的理论来不断地进行完善,也需要证明在应用领域中的优越性。由于GEP中基因型和表现型是分开的,即表达式树中的相关的子树结构与染色体上连续的基因片段并没有对应起来,不能很好地利用子树结构,本文在此基础上提出了一种新的解码方法用来克服上述的缺点,并将改进后的算法应用于图像检索领域中。本文所做主要工作如下:1)在对标准GEP算法的优缺点和GEP的核心技术进行深入研究的基础上,提出了一种不同的解码方式(深度优先广度优先的联合解码,DBGEP),通过结合两种不同的解码方法,使得同一个表达式,可以得到形状大小不一的表达式树,能够提算法的性能和效率。实验表明,相比于标准GEP算法,新算法提高了种群的平均适应度值,得到了更高的算法成功率。2)分析了基于内容图像检索的关键技术和问题,为了解决现有单一特征甚至多个特征进行检索时精度不高的问题,将GEP算法应用到图像检索中。通过GEP算法自适应地产生合适的非线性组合函数,来组合图像的多个特征值,从而实现图像检索,实验表明提高了检索的精度。