自适应基因表达式程序设计在远程教育招生数据分析中的应用研究【摘要】随着互联网技术的发展，远程教育在现代教育中起到越来越重要的作用。本文以远程教育招生数据为研究对象，提出一种自适应基因表达式程序设计算法。该算法能自适应调整算法的杂交和变异概率，从而有效避免人为设置初始参数的敏感性。算法在分析现有招生数据的基础上，预测未来几年的招生规模，有利于招生单位做出有针对性的调整，并针对我校近几年的招生数据，有效地对以往数据进行建模，预测未来的招生规模。【关键词】远程教育；招生；基因表达式程序设计；建模；预测【】G40-057【文献标识码】A【】1009―458x（2015）02―0067―06一、引言随着互联网技术的快速发展，远程教育也得到了快速发展，在现代教育中的作用也越来越重要[1]。作为远程教育第一个环节的招生工作，具有十分重要的作用，但竞争日趋激烈[2]。因此，对已有招生数据进行挖掘分析，建立有效的模型，可以对未来的招生形势进行预测，以提供有效的决---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---策分析手段。远程教育招生人数与国家政策、教育资源、高校排名等有很大关系。招生数据是典型的时间序列数据，具有高度的非线性、不规则性和季节性等特点。针对招生数据建立有效的分析和预测模型，对未来招生形势的分析具有十分重要的作用。有鉴于此，本文以我校远程与继续教育学院近5年春秋两季的招生数据为对象，提出一种自适应基因表达式程序设计（GeneExpressionProgramming，GEP）算法，对已有数据进行建模，并根据所建模型预测未来的招生人数。为了避免人为设置参数对所求解问题敏感性的不足，采用自适应参数控制技术实现杂交概率和变异概率自适应控制。结果表明，该算法能建立较准确的模型，实现对未来招生形势的良好预测。二、相关工作1.基因表达式程序设计葡萄牙科学家C.Ferreira于2001年提出了基因表达式程序设计算法。该算法是一种新的非线性程序设计技术，是演化算法的一种[3]。通过实验分析，C.Ferreira讨论了GEP在问题求解、时间序列预测、函数发现、分类规则、符号回归等问题中的应用。与遗传规划算法不同，在基因表达式程序设计中，个体采用具有固定长度的线性串（基因组或染色体）进行编码，并被表示成具有不同大小和形状的非线---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---性实体（表达式树）。该算法已在多个领域取得了成功的应用[4][5][6]。Zhou等研究表明，GEP能够挖掘出更精简、更有效的分类规则[7]；Lopes和Weinert研究了GEP在符号回归问题中的应用，并提出了一种新的分析符号回归问题的系统：EGIPSYS[8]；Zuo等利用GEP进行时间序列预测，提出了GEP-SWPM（即GEP滑动窗口法）和GEP-DEPM（即GEP常微分方程组法）两种预测方法[9]，实验结果表明，两种方法在太阳黑子的预测上均取得很好的效果；黄晓冬等提出了一种基于GEP的函数关系发现方法――MEM方法，即分域表达式挖掘。该方法能处理具有一致表达式的关系和具有不同分域表达式的复杂函数关系，并论证了它具有对数数量级的复杂度[10]；汪锐等利用GEP实现了多项式函数分解，提出了GPF方法。该方法能把任意多项式函数关系，按指定精度分解若干低次多项式函数的乘积[11]；元昌安等在把GEP用于函数挖掘时分析了算法的收敛性，根据收敛性定理提出了残差制导进化算法RGEA，并通过对GP、GEP、RGEA算法进行比较实验，表明RGEA比前两种方法具有更好的性能[12]；Cai等在预测瓦斯涌出量时，把GEP与模拟退火算法和MPI并行机制相结合，以模拟退火算法来增强算法的搜索能力，以多群体并行策略来优化算法的性能，形成了混合并行GEP算法HPGEPSA。结果表---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---明，与传统的GP和基本GEP相比，HPGEPSA具有更好的适应性、可扩张性和更高的预测精度[13]。此外，GEP还运用到神经网络的设计[14]、仿真[15]和文本挖掘[16]中，都取得了较好的效果。2.基于数据挖掘的远程教育分析数据挖掘（DataMining）一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程[17]。...