The design of genetic operators is absolutely one of the core work of evolutionary algorithms research. However, the essence of the evolutionary algorithms is that a lot of algorithm design is based on the manual result analysis, summarize, refine, feedback, and then, the algorithms are designed adaptively and correspondingly. This kind of design scheme needs artificial statistics and analysis of large amounts of data, which greatly increases the burden of the designers. To solve this problem, an evolutionary algorithm framework based on genetic operator automatic design is proposed in this paper. In the first step, Gene Expression Programming and Differential Evolution methods are combined together and used to design the genetic operators automatically and adaptively, this hybrid method can not only explore solutions in problem space for the problem solving as most classical evolutionary algorithms do, but also generate genetic operators automatically in operator space for the proper operators extraction and selection related to the evolutionary algorithms . In the second step, the designed operators are adopted into the typical evolutionary algorithms to verify the performance and the result shows that the new designed genetic operator is superior to or at least equivalent to some existing DE variants in a set of classical benchmark functions. More importantly, this paper is not aimed at designing high performance algorithms, but to provide a new perspective for algorithms designing, and to provide a reference scheme for the machine algorithms designing.

遗传算子的设计绝对是进化算法研究的核心工作之一。然而，进化算法的本质是很多算法的设计都是基于对结果的人工分析，总结，细化，反馈，然后自适应地进行相应设计。这种设计方案需要人工统计和分析大量数据，这大大增加了设计人员的负担。针对这一问题，提出了一种基于遗传算子自动设计的进化算法框架。第一步，将基因表达编程和差异进化方法结合在一起，并用于自动，自适应地设计遗传算子，这种混合方法不仅可以像大多数经典进化算法一样在问题空间中探索解决问题的方法，而且可以在算子空间中自动生成遗传算子，以进行与进化算法有关的正确算子提取和选择。第二步，将设计的算子应用到典型的进化算法中以验证性能，结果表明，新设计的遗传算子在一组经典基准函数中优于或至少等同于某些现有DE变体。更重要的是，本文的目的不是设计高性能算法，而是为算法设计提供一个新的视角，并为机器算法设计提供参考方案。而且还可以在算子空间中自动生成遗传算子，以进行与进化算法有关的适当算子的提取和选择。第二步，将设计的算子应用到典型的进化算法中以验证性能，结果表明，新设计的遗传算子在一组经典基准函数中优于或至少等同于某些现有DE变体。更重要的是，本文的目的不是设计高性能算法，而是为算法设计提供一个新的视角，并为机器算法设计提供参考方案。而且还可以在算子空间中自动生成遗传算子，以进行与进化算法有关的适当算子的提取和选择。第二步，将设计的算子应用到典型的进化算法中以验证性能，结果表明，新设计的遗传算子在一组经典基准函数中优于或至少等同于某些现有DE变体。更重要的是，本文的目的不是设计高性能算法，而是为算法设计提供一个新的视角，并为机器算法设计提供参考方案。设计的算子被用于典型的进化算法中，以验证其性能，结果表明，新设计的遗传算子在一组经典基准函数中优于或至少等同于一些现有的DE变体。更重要的是，本文的目的不是设计高性能算法，而是为算法设计提供一个新的视角，并为机器算法设计提供参考方案。设计的算子被用于典型的进化算法中，以验证其性能，结果表明，新设计的遗传算子在一组经典基准函数中优于或至少等同于一些现有的DE变体。更重要的是，本文的目的不是设计高性能算法，而是为算法设计提供一个新的视角，并为机器算法设计提供参考方案。