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化控制項目，一接觸就被它簡潔精妙的設計思想所吸引。GEP由傳統遺傳算法進化而來，其融合了GA(Genetic Algorithms，遺傳算法)和GP(Genetic Programming，遺傳程序設計)設計思想，并加以改造提升。GEP保留了GA具有的并行性和全局尋優能力，又吸收了GP樹形結構靈活多變的特點，并且在運行速度與基因表現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，機器學習、人工智能技術與應用快速發展，深度學習日益受到人們的重視并成為當前學習研究的重點，而遺傳算法等其它機器學習方法卻被人們冷落。其實深度學習與遺傳算法有共同點也有各自的特點：

· 相同點：神經網絡與遺傳算法都是基于樣本數據通過迭代逐步優化獲取結果；

· 不同點：深度學習是通過構建模擬人腦進行分析學習的神經網絡，基于大量樣本數據學習獲取解決某一領域問題的解決方案(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化問題，即在滿足一系列限定條件基礎上，使設計指標達到最優值。則期望模擬生物進化來再次產生思維；

遺傳算法與深度學習相比較，還具有以下優點：

· 與深度學習基于反向傳播加梯度下降的尋優方法相比，遺傳算法采用概率化尋優方法不需要求導可自動獲取和自適應調整搜索方向等優點；

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

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

1、 生物進化與遺傳算法

2、 GEP基礎要素

3、 GEP基本操作

4、 GEP算法

5、 GEP在分類與聚類中的應用

6、 GEP在時間序列中的應用

7、 GEP在函數挖掘中的應用

如果大家對此話題感興趣，歡迎大家點擊"關注"。

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。