基因表达式编程是在继承和发展遗传算法与遗传编程优点的基础上发展起来的遗传计算家族中的新成员，是借鉴生物遗传的基因表达规律提出的搜索和知识发现新技术。研究已表明，它在很多领域具有比遗传算法和遗传编程更强的解决问题的能力。全书共分四部分（14章）。第一部分介绍了基因表达式编程产生的相关背景；第二部分系统地阐述了基因表达式编程的基本概念、基本原理、基本算法和理论分析；第三部分着重讨论了基因表达式编程算法的拓展和改进；第四部分重点介绍了基因表达式编程在知识发现等多个领域中的典型应用。<br>    《基因表达式编程算法原理与应用》可作为高等院校计算机科学与技术、软件工程等相关专业高年级本科生的选修教材和数据挖掘、智能计算等方向研究生参考教材，特别是可作为所有拟对基因表达式编程技术进行深入研究或借助基因表达式编程技术进行应用研究的学者、工程师们的参考用书。

《智能科学技术著作丛书》序<br>序<br>前言<br>第一部分 背景概述篇<br>第1章 最优化问题<br>1．1 最优化问题简述<br>1.2 最优化问题的求解方法<br>1．2．1 求解最优化问题的数学方法<br>1．2．2 进化计算求解方法<br>1．2．3 无免费午餐定理<br>参考文献<br><br>第2章 生物进化与进化计算<br>2．1 从进化论到进化计算<br>2．1．1 生物进化论概要<br>2．1．2 遗传算法<br>2．1．3 进化策略<br>2．1．4 进化规划<br>2．1．5 遗传编程<br>2．2 广义的进化计算<br>2．2．1 进化计算的本质<br>2．2．2 进化算法的一般框架<br>2．3 生物的基因表达<br>2．3．1 DNA<br>2．3．2 RNA<br>2．3．3 蛋白质<br>2．3．4 基因表达过程<br>2．4 从生物的基因表达到基因表达式编程<br>2．4．1 GEP的发展历史<br>2．4．2 GEP的研究和应用<br>2．4．3 GEP的特点<br>参考文献<br><br>第二部分 基本算法与理论篇<br>第3章 GEP算法基础<br>3．1 GEP的基本要素<br>3．1．1 开放读码框架和基因<br>3．1．2 GEP中的基因<br>3．1．3 多基因染色体<br>3．1．4 子表达式树的相互作用<br>3．2 基本的遗传操作<br>3．3 GEP基本算法<br>3．4 适应度函数的选择和评估<br>3．5 标准GEP的选择策略<br>3．6 简单的函数发现实例<br>参考文献<br><br>第4章 GEP的理论分析<br>4．1 形式化定义<br>4．1．1 终结符和函数<br>4．1．2 概念的形式化定义<br>4．2 基因编码表达的可靠性和完备性分析<br>4．3 GEP的马尔可夫链分析<br>4．3．1 马尔可夫链相关概念<br>4．3．2 GEP马尔可夫收敛定理<br>4．4 GEP的依概率收敛分析<br>4．4．1 问题背景及相关定义<br>4．4．2 基于GEP的函数发现依概率收敛定理<br>参考文献<br><br>第5章 GEP的进化过程分析<br>5．1 个体与群体结构分析<br>5．1．1 个体结构分析<br>5．1．2 群体结构分析<br>5．2 遗传算子性能分析<br>5．2．1 选择<br>5．2．2 变异<br>5．2．3 移位<br>5．2．4 重组（交叉）<br>5．2．5 总结<br>5．3 个体的建筑块实验分析<br>参考文献<br><br>第三部分 算法拓展与改进篇<br>第6章 GEP个体与种群组织的拓展<br>6．1 个体评价<br>6．1．1 经典领域的适应度函数设计<br>6．1．2 动态适应度<br>6．2 基因的评估<br>6．2．1 GRCM算法<br>6．2．2 Kquick算法<br>6．2．3 GPED算法<br>6．2．4 SGDE-GEP算法<br>6．2．5 基于 Scale的基因评估算法<br>6．3 常数问题<br>6．3．1 三类主要方法<br>6．3．2 常数创建方法典型改进<br>6．4 优秀基因片段的传承<br>6．4．1 基于个体结构的实现方法<br>6．4．2 基于编码映射的实现方法<br>6．5 染色体的组织<br>6．5．1 多层染色体<br>6．5．2 基因重叠染色体<br>6．5．3 带身部结构的染色体<br>6．5．4 DAG染色体<br>6．6 种群的组织<br>6．6．1 改进的初始种群生成策略<br>6．6．2 种群多样性繁殖策略<br>6．6．3 变种群规模策略<br>6．6．4 其他种群组织策略<br>参考文献<br><br>第7章 GEP遗传操作与行为干预的拓展<br>7．1 遗传操作拓展<br>7．1．1 简单分组的遗传操作<br>7．1．2 残差制导进化的GEP算法<br>7．1．3 自适应GEP算法<br>7．2 GEP的转基因策略<br>7．3 GEP的回溯策略<br>参考文献<br><br>第8章 并行GEP算法<br>8．1 并行遗传算法的实现方案<br>8．2 并行GEP的设计<br>8．2．1 同步分布式并行GEP算法<br>8．2．2 异步分布式并行GEP算法<br>参考文献<br><br>第9章 GEP与其他算法的融合<br>9．1 GEP与人工神经网络的融合<br>9．1．1 基于GEP和神经网络的属性约简分类算法<br>9．1．2 基于GEP优化的RBF神经网络算法<br>9．2 GEP与模拟退火的融合<br>9．3 GEP与禁忌搜索的融合<br>9．4 GEP与隐马尔可夫模型的融合<br>参考文献<br><br>第四部分 应用研究篇<br>第10章 GEP在函数挖掘中的应用<br>10．1 用GEP进行函数发现<br>10．1．1 一致表达式的发现<br>10．1．2 分域表达式挖掘<br>10．1．3 复杂度分析<br>10．1．4 实验与分析<br>10．2 用GEP挖掘递归函数<br>10．2．1 递归函数挖掘算法GEP-RecurMiner<br>……<br>第11章 GEP在预测中的应用<br>第12章 GEP在规则挖掘中的应用<br>第13章 GEP在分类和聚类中的应用<br>第14章 GEP在其他领域的应用<br>附录