第一次接觸GEP(Gene Expression Programming，基因表達式編程)算法是五年前公司做過的一個供熱優(yōu)化控制項目，一接觸就被它簡潔精妙的設(shè)計思想所吸引。GEP由傳統(tǒng)遺傳算法進化而來，其融合了GA(Genetic Algorithms，遺傳算法)和GP(Genetic Programming，遺傳程序設(shè)計)設(shè)計思想，并加以改造提升。GEP保留了GA具有的并行性和全局尋優(yōu)能力，又吸收了GP樹形結(jié)構(gòu)靈活多變的特點，并且在運行速度與基因表現(xiàn)型有效性比原來的兩種算法有了非常大的提升，效率比原有方法提高100-60，000倍。

近些年來，機器學(xué)習(xí)、人工智能技術(shù)與應(yīng)用快速發(fā)展，深度學(xué)習(xí)日益受到人們的重視并成為當(dāng)前學(xué)習(xí)研究的重點，而遺傳算法等其它機器學(xué)習(xí)方法卻被人們冷落。其實深度學(xué)習(xí)與遺傳算法有共同點也有各自的特點：

· 相同點：神經(jīng)網(wǎng)絡(luò)與遺傳算法都是基于樣本數(shù)據(jù)通過迭代逐步優(yōu)化獲取結(jié)果；

· 不同點：深度學(xué)習(xí)是通過構(gòu)建模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，基于大量樣本數(shù)據(jù)學(xué)習(xí)獲取解決某一領(lǐng)域問題的解決方案(模型)，比如圖像識別、自然語言處理；遺傳算法通常用來解決最優(yōu)化問題，即在滿足一系列限定條件基礎(chǔ)上，使設(shè)計指標(biāo)達到最優(yōu)值。則期望模擬生物進化來再次產(chǎn)生思維；

遺傳算法與深度學(xué)習(xí)相比較，還具有以下優(yōu)點：

· 與深度學(xué)習(xí)基于反向傳播加梯度下降的尋優(yōu)方法相比，遺傳算法采用概率化尋優(yōu)方法不需要求導(dǎo)可自動獲取和自適應(yīng)調(diào)整搜索方向等優(yōu)點；

· 深度學(xué)習(xí)構(gòu)建的模型可讀性比較差，無法解釋模型做出決策的依據(jù)。而遺傳算法可以給出便于理解最優(yōu)化解決方案。比如在我們系列文章中會介紹利用GEP進行函數(shù)挖掘(回歸分析)，通過一組樣本數(shù)據(jù)最終獲得的模型就是一個函數(shù)。

基于以上原因，我們相信GEP算法在現(xiàn)實中一定會有更好的應(yīng)用前景。本系列文章將分為七個部分：

1、 生物進化與遺傳算法

2、 GEP基礎(chǔ)要素

3、 GEP基本操作

4、 GEP算法

5、 GEP在分類與聚類中的應(yīng)用

6、 GEP在時間序列中的應(yīng)用

7、 GEP在函數(shù)挖掘中的應(yīng)用

如果大家對此話題感興趣，歡迎大家點擊"關(guān)注"。

總結(jié)

以上是生活随笔為你收集整理的基因表达式编程gep_基因表达式编程GEP— 前言的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。