伴随着科技发展和社会的进步,在科学研究和工程应用中有越来越多的实际问题需要用数学的方法解决。建模是一种研究系统问题的重要手段,在科学研究和工程应用中,往往需要将复杂的实际问题和现象简化和抽象为简单的问题,以便建立简单的模型加以研究。然而针对复杂系统的观测数据,使用传统的人工建模方法建立能精确反映数据间内在规律的数学模型几乎是不可能实现的。演化算法是一类模拟自然界遗传进化规律的仿生学算法,遗传算法是其中的一个分支。基于演化算法的建模方法通过不断尝试和反复试验,利用一定的搜索策略,能够自动生成拟合精度较高的函数模型。不同于人工建模的方法,它并不需要事先明确模型结构,只需要确定基于问题特征的一些基本组成单元来构建模型。目前常用于演化建模的两种演化算法为：遗传程序设计(Genetic Programming, GP)和基因表达式程序设计(Gene Expression Programming,GEP)。然而在建立复杂系统问题模型时,相对于GP的一些缺陷,GEP以结构化的编码方式编码,具有定长的、线性bit串及“头+尾”的结构,操作起来简单且算法稳定性好,可以很好地建立演化模型。本课题主要致力于基于GEP的演化建模问题的研究,主要从如下几个方面进行分析和研究：一、论文首先阐述了演化建模的基本原理,重点讨论了GEP的关键技术,提出了GEP的编码优势并对比分析GEP与GP这两种演化建模常用算法的性能。二、论文研究了GEP进行演化建模的基本原理,并分别在一维参数空间和多维参数空间的基础上给出了两个建模实例,并与GP建模结果对比,通过分析建模结果,验证了运用GEP演化生成的函数模型具有较高的拟合精度这一结论。三、针对传统GEP算法的变异遗传操作过程中出现的基因漂移及滞延收敛速度的问题进行改进：变异过程添加漂移抑制算子并动态调整变异半径,运用改进的GEP算法对煤矿瓦斯涌出量建模,并与传统GEP与GP算法建模的结果比较,得到改进GEP算法建立模型的平均成功时间更短,模型拟合精确度更高,更能准确反映出复杂系统数据间内在联系和规律的结论。