该项目认真的阐述了基因表达式算法的要求！该要求满足GEP的需求。

GEP 这是使用C ++实现的GEP算法，也就是“基因表达式编程”。。编译并执行程序需要有可以支持C ++ 11或更高版本的编译器，我本地编译采用的是GCC 10和CMake 3.20。 以我本地编译的方法为例： $ cd build $ cmake ../src $ cmake --build . 顺利的话， build目录里面会生成可执行程序GEP.out 。如果采用其它的编译器或者编译套件，也可以简单地把src以及src下的子目录都设为搜索目录，然后执行编译即可。 程序运行效果（内部有随机初始化的步骤，每次执行结果会有区别）： $ ./GEP.out 代数=0, 最大适应度=0.152698, 个体信息：(((((1.74247*1.12861)+(1.26272*2.77195))*((2.95397*2.24401)+(2.4401-1.67824)))*(((3.22668

pmutualinformation（并行互信息）可从包含GEP的潜在庞大且异构的数据集中计算所有成对基因的成对互信息。 GEP可以是从公共存储库收集的不同实验的一部分。 pmutualinformation在MIMD系统上运行，并已使用MPI标准在C中实现。

gep framework, it is very usefull for developer to develop a program about GEP,you can not miss it

基因表达式编程属于众多分类算法中的一种，它与遗传算法联系紧密。

文中对GPED 有关的定义和性质作了详细地阐述，并通过实验对GPED 和基本GEP 解码方法进行了对比研究。最后，基于GPED，并从初始群体生成、选择策略、遗传算子等方面对GEP 作了改进，提出了一种新的算法GPEP，并将其应用于碎石桩复合地基承载力预测。结果表明GPEP 算法在预测精度和演化效率上都超过遗传神经网络、GP 等方法。

GA,PSO等多个优化算法代码实现,包括数据的建立，基因池、染色体的设置等等，可以进行数据的测试。各个问题以模块的形式出现，问题描述细致，逻辑清晰

采用GEP实现属性融合算法的难点包括:(a)设计适应度函数;(b)新属性个数的确定. GEP具有极强的数值处理能力,本文主要考虑分类样本条件属性是数值型,取值范围是实 数域时的情况

很好的学习资料，GEP资料，浅显易懂，从原理到程序的实现都有很好的讲解，即可以带你入门又可以帮你更加的提高。