遗传规划又称遗传编程(Genetic Programming,GP)是遗传算法的一个特例,是计算智能理论中一种崭新的、重要的方法。它仿效生物界的遗传和进化,根据优胜劣汰的原则,借助复制、交换、突变等操作,逐步逼近最优解。GP算法将遗传算法和计算机程序有机结合,具有在候选解表示上的动态结构特点和搜索寻优机制上全局性的特点,在计算智能中的应用越来越广泛。与神经网络、支持向量机等目前在软测量建模中的常常使用的智能方法相比,遗传规划的建模同样不需要任何经验知识,具有良好的非线性映射能力和自学习适应能力。除此以外,遗传规划还具有以下优点:可以自动确定输入量的延迟时间;能得到一个较为简洁的解析的表达式;可以一次得到多个候选模型;其软测量模型可以很方便的加入任何DCS系统,而不需要象神经网络或支持向量机的软测量仪表那样需加入专门的软件包。本文主要研究如何改进遗传规划的缺点,以使它的优点能够在生物发酵的软测量建模中得到更好的发挥.本文主要工作和贡献如下:(1)介绍了遗传规划的产生、特点、基本技术、基本理论、应用研究现状、及其研究热点。介绍了各种软测量建模技术,分析了各技术的特点,并着重介绍了遗传规划在系统建模和化工过程建模中的研究现状,分析了遗传规划在软测量建模中的优势和缺点。(2)为了提高建模速度,使进化过程中好的结构不会由于其参数的不合适而被淘汰,本文采用了差分进化来优化个体的参数。提出了免疫差分进化,采用从优良群体中搜集的疫苗来防止优良结构被交叉和变异等操作所破坏,促进优良模式的繁殖。为了提高疫苗的使用效率,设计了新的疫苗的形式、疫苗的提取方法和接种概率的确定方法。(3)提出了免疫遗传规划。将基于疫苗接种思想的免疫原理和遗传规划相结合,从优良群体中提取疫苗,并利用疫苗指导交叉点的选取,防止了交叉所造成的模式破坏,加大了优良模式生存的可能性。(4)研究了导致GP出现过学习现象的原因,并据此提出了提高GP的泛化能力的方法。①提出了一种新的函数保护措施,该方法能改变原有的函数保护措施所造成的过学习现象并适用于输入变量的取值空间不能完全确定的情况。②使用非支配排序多目标方法来平衡拟和精度、复杂度、波动性等指标要求,并保持种群的多样性。③采用了带偏好的多目标搜索方法,将决策者的偏好信息引入搜索过程,使搜索集中在决策者感兴趣的方向。从而进一步加快搜索效率,提高搜索速度。(5)提出了抗差遗传规划。为了提高遗传规划处理显著误差的能力,将M估计引入遗传规划的寻优过程中,使之在学习过程中注意区分不同可信度的数据,从而减少由于显著误差所造成的过学习现象。采用了多种群遗传规划,每个种群采用不同的信赖域参数调整策略,从而使学习能够沿着不同的方向进行搜索,防止显著误差的错误判断,以防止因信赖域参数选取不当而导致的“过学习”和“欠学习”现象。采用优良群体的信息进一步区分显著误差,减少显著误差的影响。(6)将上述改进方法用于发酵过程的建模中。利用加权限定时段的部分最小二乘将GP所得到的模型加以综合,用来在线预测发酵过程中的菌浓度等重要的生物参数。总结并分析存在的问题及今后研究的方向。