论文部分内容阅读
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-objectiveClustering 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 ProgrammingClustering，简称TISA-GEP)在图像分割问题上的实验取得了满意的效果。