新型GEP算法：GPED与GPEP提升预测效率与精度

本文主要探讨了一种新型的基因表达式编程 (Gene Expression Programming, GEP) 算法及其在实际问题中的应用研究。论文首先提出了一个针对GEP表达式树构造的创新方法，旨在优化表达式树的构建过程，从而提高算法的效率。这种方法被称为Genetic Programming Enhanced Decoding (GPED)，它通过改进的编码和解码策略，显著减少了进化过程中的迭代次数，显著提升了算法的运行速度。 在解码方法上，GPED采用了更为高效的设计，这使得在寻找最优解时能够更快地收敛，避免了传统GEP中可能存在的搜索空间过大或局部最优问题。通过与遗传神经网络 (Genetic Programming with Neural Networks, GPNN) 和传统的GEP算法进行实验对比，结果显示，GPED在预测精度和演化效率上都表现出了优越性。 接着，论文进一步发展了一种名为GPEP的新算法，即基因表达式编程强化预测算法，它将GEP的灵活性和解码方法的高效性相结合，特别应用于碎石桩复合地基承载力的预测问题。在实际应用中，GPEP展现出了强大的预测能力，不仅能准确估计地基承载力，而且在处理这类工程问题时，其演化效率得到了充分验证，明显优于其他现有的机器学习算法。 此外，该研究还涉及到多个作者的专业背景，包括陈安升在演化计算与数据挖掘领域的硕士研究生研究，蔡之华教授在演化计算、数据挖掘和图像处理方面的深厚造诣，以及谷琼和张烈超两位硕士研究生在数据挖掘领域的研究方向。他们的合作体现了多学科交叉的优势，对于GEP算法的发展和在具体工程问题中的应用具有重要的推动作用。 这篇论文不仅提出了新颖的GEP算法设计和解码方法，还在实际工程问题——碎石桩复合地基承载力预测中展现了其卓越性能，为基因表达式编程领域提供了有价值的研究成果，并为相关领域的研究者提供了新的思考和实践方向。