第1章 绪论（1）
1.1 GP概述（1）
1.1.1 GP的基本思想（2）
1.1.2 GP的主要特点（4）
1.2 GP研究现状及存在问题（5）
1.2.1 GP理论和技术研究概况（5）
1.2.2 GP应用领域（17）
1.3 GP与多目标决策（19）
1.3.1 决策问题及其难点（19）
1.3.2 决策函数存在定理（21）
1.3.3 传统多目标决策分析方法及其局限性（21）
1.3.4 GP与多目标进化决策问题及决策分析（25）
1.4 GP与软件复用（25）
1.4.1 研究背景、存在问题和基本观点（25）
1.4.2 关于软件复用的若干基本观点（26）
1.4.3 软件复用中的形式化和自动化方法（31）
1.4.4 基于组件的软件开发（33）
1.4.5 GP在软件复用方面的应用方法研究（35）
1.5 GP研究意义及主要研究工作（36）
1.6 本章小结（39）
第2章 GP机理研究及算法性能改进技术（40）
2.1 GP的基本原理（40）
2.1.1 个体的描述方法（40）
2.1.2 初始群体的生成（42）
2.1.3 适应度函数（44）
2.1.4 遗传算子及遗传操作（45）
2.1.5 终止准则与结果判定（53）
2.1.6 控制参数（53）
2.1.7 计算实例分析（54）
2.2 GP的数学理论（57）
2.2.1 模式定理（57）
2.2.2 收敛性分析（62）
2.3 GP自然进化属性（68）
2.4 GP算法性能改进技术（71）
2.4.1 个体树快速生成（71）
2.4.2 提高初始群体性能的方法（76）
2.4.3 一致性交叉（79）
2.4.4 编辑算子（80）
2.4.5 权值逐步适应法（85）
2.5 基于树的线性后缀形式的GP个体表示方法研究（90）
2.5.1 一种线性表示的GP方法（91）
2.5.2 基于一点交叉操作的模式理论（99）
2.6 本章小结（103）
第3章 GP自定义函数共同进化方法研究（105）
3.1 引言（105）
3.2 GP自定义函数共同进化模型和方法（106）
3.3 分类任务（108）
3.3.1 中国农业银行金穗信用卡样本数据集（108）
3.3.2 字母图像识别样本数据集（108）
3.4 Co-ADFs方法仿真研究（109）
3.4.1 中国农业银行金穗信用卡分类仿真研究（109）
3.4.2 字母图像识别（109）
3.5 本章小结（109）
第4章 GP适应度函数光滑拟合与调整参数方法研究（112）
4.1 引言（112）
4.2 GP树适应度函数的调整（113）
4.2.1 适应度函数的调整方法（114）
4.2.2 终点集和函数集（115）
4.2.3 GP树的适应权值（115）
4.2.4 调整参数的选择方法（116）
4.3 GP算法的光滑拟合（118）
4.4 数值仿真及结果分析（120）
4.5 本章小结（123）
第5章 基于GP的多目标决策函数建模及稳定性分析（125）
5.1 引言（125）
5.2 多目标决策问题（127）
5.3 可行性方案的敏感性（129）
5.4 GP进化决策函数的适应度算法（130）
5.4.1 算法描述（131）
5.4.2 算法复杂度分析（131）
5.5 关于权重灵敏度（131）
5.6 仿真研究（132）
5.7 本章小结（135）
第6章 基于GP的软件复用及自动程序设计方法研究（137）
6.1 组件模型的形式化分析（137）
6.1.1 组件模型的必要条件（137）
6.1.2 现有组件定义的分析（139）
6.1.3 形式化的组件概念模型（141）
6.2 现有组件语义的描述方法（155）
6.3 形式化的组件语义模型（158）
6.4 基于GP组件的软件复用方法及应用研究（172）
6.4.1 GP思想对组件技术的适应性（172）
6.4.2 GP-CBD方法算法框架（175）
6.4.3 GP-CBD算法（176）
6.5 GP-CBD方法的技术实现（186）
6.6 基于GP组件的开发过程（191）
6.7 本章小结（194）
第7章 结论与展望（196）
7.1 本书的主要贡献（196）
7.2 对未来工作的展望（199）
参考文献（202）
专题研究期间撰写的主要论文及科研项目（216）
后记（218）
本专著研究的课题是在湖南省自然科学基金项目“基于 GP理论的多准则决策函数稳定性分析研究”（05JJ40103）和湖南省教育厅项目“网络共同进化算法及应用研究”（04C313）的资助下完成的。目前，GP（GeneticProgramming，遗传程序设计，又称遗传编程）是十分活跃的研究领域，被视为解决多目标决策问题、软件复用工程、CASE等复杂问题分析设计和软件危机的强有力工具。然而，当前GP在整体上还处在初步的研究阶段。应用数学工具建立较为完善的GP理论，对其问题约束、个体表示、自定义函数、适应度函数、选择策略、遗传算子以及与此相关的算法设计、结构描述、数学建模开展深入的探索，有助于实际问题的解决。专著中研究了GP的模式定理、算法性能优化技术、个体程序树表示、自定义函数共同进化模型、快速求解适应度函数权值方法、多目标决策函数模型和稳定性分析方法以及软件复用技术，给出了GP的模式定理及其在微观和宏观概念下的定义，深入解释了模式创建的内在机制和算法的进化行为。运用 Markov链分析法，验证了GP的收敛性问题，得出了在最优值保留条件下，算法可收敛到全局最优解。采用排序生成法、最优生成法和平均生成法三种改进方法，提高了GP算法的收敛性能，加快寻优过程，避免因出现过大的群体规模而产生的负面作用。一致性交叉可以避免传统交叉算子在代码片段选择上的盲目性，能有针对性地创建环境相似的程序树。编辑算子在“基因内区”概率保留的前提下，对冗余代码进行简化，可以在合理的计算时间内获得易于理解的结果。１利用对线性表示的个体进行位置信息编码的思想，提出了一种新的基于树的线性后缀形式的GP个体程序树表示方法，实现了多种形式的遗传操作，并给出形式化定义，设计并实现了一个基于栈的GP算法。专著中提出了一种 GP自定义函数共同进化的模型和方法，该模型和方法在解决大规模复杂问题时，如学习分类任务，性能比传统的不带ADFs的GP和带有ADFs的GP方法更好。专著中提出了一种快速、准确的求解GP适应度函数权值的新方法，通过对GP适应度函数调整参数的选择，快速精确地计算树的权值，克服了传统的方法，如CV和L-曲线方法，不能快速被应用的不足。专著中提出了一种新的基于GP的多目标决策函数模型和稳定性分析方法。在已知可行性方案效用值和权重的情况下，可以设计一种有效的算法来计算稳定性。通过GP系统产生的决策函数比通过传统的分层处理（AHP）方法产生的决策函数更稳定。将GP思想和方法应用到基于组件的软件开发中，提出了基于GP的组件概念，设计了组件的进化算法。建立了一种分布式环境下基于GP组件的软件开发和复用过程的设计思想和方法（简称GP-CBD方法），并系统地分析了组件体系结构，给出了一种规范的组件形式化及语义模型，探讨了组件复用过程应该遵循的自然法则，从而为基于组件的软件复用和编程过程的自动化提供了一种可行的新途径。本书可供计算机、控制理论与控制工程等专业高年级本科生、研究生使用，也可供其他相关专业科研人员参考。
公安网备 43010402000836 湘ICP备09001153号 新出网证(湘)字005号