基于多线程评估的基因表达式编程算法

《基于多线程评估的基因表达式编程算法》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于多线程评估的基因表达式编程算法摘要:分析了基因表达式编程(gep)算法的性能关键，指出提升的一个重要瓶颈是在个体评估阶段；结合多核cpu并行计算能力，提出了基于多线程评估的gep算法(mtegep)，并通过实验验证了mtegep的高效性：在双核cpu环境下mtegep运算速度是传统gep的1.89倍，而在8核cpu环境下达到了6.48倍。实验结果表明该算法能有效提升gep算法的性能。关键词:数据挖掘；基因表达式编程；多线程；多核cpu；评估geneexpressionprogrammingalgorithmba

2、sedonmulti.threadingevaluatornisheng.qiao*,tangchang.jie,yangning,zuojiecollegeofcomputerscience,sichuanuniversity,chengdusichuan610064,chinaabstract:combinestheadvantageofmulti.corecpuandmulti.threadingtechnology,introducesanewgeneexpressionprogramming（ge

3、p）algorithmwithmulti.threadingevaluatorwhichgreatlyimprovestheefficiencyofthegepalgorithm.theexperimentalresultsdemonstratethatthenewproposedalgorithmmtegepismoreefficiencythantraditionalgep.furthermore，comparingtothetraditionalgep，mtegepachieves1.89timesfaster

4、speedinaveragewithadual.corecpu,and6.48timesfasterspeedwithaneight.corecpu.combiningtheadvantagesofmulti.corecpuandmulti.threadingtechnology,anewgeneexpressionprogramming（gep）algorithmwithmulti.threadingevaluatorwasintroduced,whichgreatlyimprovedtheefficiencyof

5、thegepalgorithm.theexperimentalresultsdemonstratethatthenewproposedalgorithmmtegepismoreefficientthantraditionalgep.furthermore，comparedtothetraditionalgep，mtegepachieves1.89timesfasterspeedinaveragewithadual.corecpu,and6.48timesfasterspeedwithaneight.corecpu.

6、keywords:datamining;geneexpressionprogramming(gep);multi.threading;multi.corecpu;evaluator0引言从海量信息中挖掘有效知识是数据库技术研究的重要课题。进化计算作为数据挖掘的一类重要方法，有着广泛的应用，是当前的研究热点。基因表达式编程(geneexpressionprogramming，gep)算法是进化算法家族中的新兴技术，它综合了遗传算法(geneticalgorithm,ga)和遗传编程(geneticprogrammi

7、ng,gp)的优点，具有更强的解决问题的能力，其最大特点是优化的基因序列表示结构，它消除了传统遗传算法在进化过程可能产生无效基因的缺陷，是效率较为理想的数据挖掘方法［1］。特别在函数挖掘方面，涌现出了许多新的gep研究和应用成果，参见文献［2-10］。与此同时，众多学者在传统gep算法基础上，针对不同应用提出了效率更高、适应性更强的改进算法。文献［11］提出了基于搜索空间划分和sharing函数的粒子群优化算法；文献［12］对传统gep的评估算法进行研究，提出了具有线性复杂度的gep适应度评价算法；文献［13］

8、研究了基于基因表达式编程的多目标优化算法;此外文献［14-17］分别针对不同领域提出了改进的gep新算法。目前关于基因表达式编程的研究主要集中在对gep理论分析和算法优化和改进，尚未见到利用高性能硬件资源来提高gep性能的研究。在实践中，作者发现目前的gep算法没有充分发挥计算机硬件的性能，算法效率不尽如人意。例如：在种群规模较大、进化代数较