基因表达编程与人工神经网络在热传输预测及社交媒体在自然灾害中的应用

### 基因表达编程与人工神经网络在热传输预测及社交媒体在自然灾害中的应用 #### 基因表达编程（GEP）与人工神经网络（ANN）在热传输预测中的应用 在热传输领域，准确预测流体流动和热传递特性对于许多工程应用至关重要。为了实现这一目标，研究人员采用了基因表达编程（GEP）和人工神经网络（ANN）这两种软计算工具。 ##### GEP 概述 GEP 是一种结合了遗传算法（GA）和遗传编程（GP）优势的新兴技术。它通过基于种群的生物过程技术，将简单或线性染色体编码到个体中，然后转换为表达式解析树（ET），从而完全分离基因型和组成，这使得 GEP 比 GP 快 100 - 10,000 倍。例如，对于算术表达式\((x + y)(y - z)\)，可以构建相应的 ET。 在 GEP 中，一个染色体中有复合序列，每个基因可以编码多个子程序。任何程序都可以通过 GEP 公式中基因的独特排列进行编码，以高效地获得结果。GEP 利用基因的独特结构来搜索解，通过线性染色体和 ET 可以评估更复杂的逻辑和技术程序。每个线性染色体都会受到遗传影响，如复制、重组、突变和转座。ET 的适应度值是其在系统中存在的选择标准，为了获得最佳结果，会淘汰适应度值最差的树，剩余的种群则根据特定的选择技术确定。 ##### GEP 模型的数据处理 GEP 用于表达输入和输出数据之间的关系。在每个 GEP 方程中采用了 k 折策略，将数据分为训练、测试和验证三个子类别，其中 70%用于训练，其余用于测试和验证。之后，对代码进行 3 次建模，并通过平均预测值来计算调整后的 R 平方（Adj. R²）。 使用 MATLAB 软件评估输入和输出数据，并推进经验相关性。在科学表达式中使用了来自函数集和终端集的各种符号，以及实用集中的多个科学函数和数学运算符。每个线性染色体中的计划数量由种群大小（即染色体数量）决定，种群大小越高，重复时间越长。当系统性能没有明显变化时，程序被认为收敛，重复过程停止。 在当前研究中，应用 GEP 的主要目标是预测并开发通过带有螺旋肋和扭曲带的管的层流流体流和热传输特性的精确方程。相应的“fxRe”和“Nuavg”表达式的 ET 分别如下： - \(fxRe = 7154.68898 × e^{(-35.298×x_3×x_4×x_5)} - (35.9779 × sin(e^{x_1})) - (35.9779 × x_2) - 1032.8597 × x_4^6 + 860908.6562 × x_4^2 × x_4^6×sin(x_5^2) - 130415.9632 × x_4 × x_5^2 × x_6^2 × sin(x_2 × x_4) + (0.3193 × x_3×sin(x_4 × x_6) × e^{(x_2×x_1 - 11.2605)} - 6.3971e + 03\) - \(Nu_{avg} = (2.0882 × x_1) + (94.1265 × e^{(sin(x_1)×(x_5 - x_6))}) - (27.5604 × sin(2x_2 + 2x_3 + x_6)) - (21.5576 × cos(x_7)^2) - (29.7471 × cos(2x_1 + x_2)×e^{(x_5 - x_6)}) - (21.5576 × 3^{\frac{1}{2}} × x_1^{\frac{1}{2}}) + (4.1765 × sin(x_1 + 2x_2 + x_4)) + 115.9083\) GEP 预测传热系数的效率通过调整后的 R 平方（Adj. R²）来衡量，公式为： \(R^2 = 1 - (\sum_{i}(N_i - P_i)^2/(\sum_{i}(P_i^2)))\) 其中，\(N_i\)为实际值，\(P_i\)为预测值。同时，使用均方根误差（RMSE）来衡量实际数据和预测数据之间的误差，定义为： \(RMSE = \sqrt{(1/n\sum_{i}(N_i - P_i)^2)}\) 其中，\(n\)为数据总数。 ##### GEP 与 ANN 方法的比较 研究使用 GEP 和 ANN 来预测通过带