基因表达式编程算法（GEP）是遗传算法和遗传编程相结合而产生的一种新颖的进化算法。该算法在编码和译码方面非常灵活和简单,表达能力强,且易于进行遗传操作,解决复杂问题的效率高,得到了各领域的广泛认可。与传统的数学统计方法相比,GEP只需要选择适当的适应度函数来评价染色体,不需要有很深的数学基础,就能准确地描述复杂的数据之间的关系。这也是其广泛应用的主要原因之一。目前GEP理论的方面已经取得显著的成果,但是这些成果都是基于经典GEP算法提出的,而针对模糊控制多细胞基因表达式（FMCGEP）等其他GEP变体算法是否支持这些理论,有待进一步研究。因此,本文的创新工作是从理论的角度对FMCGEP进行了收敛性分析,并得到了收敛速度与算法参数的依赖关系,丰富了GEP的理论研成果。众所周知,药物的研发是一个需要花费漫长的时间以及金钱的过程。由于化合物存在诸多的未知性,因此医药研究员需要重复成百上千的实验,才能得到相对准确的实验结果。而人工智能算法的出现为医药工作者提供了很大的便利。众多的研究者将人工智中的机器学习算法应用到了药物研发的领域,取得了丰硕的成果。针对药物研发过程中涉及到的化合物理化性质问题,本文使用FMCGEP算法对化合物毒性数据和化合物活性数据进行了集成分类和回归应用。本文的主要工作如下:（1）本文首先给出了FMCGEP算法相关概念的形式化定义,并分析了FMCGEP的各遗传算子的性质。然后基于这些性质分析研究了FMCGEP的全局收敛性,并通过谱修正半径和对FMCGEP算法模糊规则的分析研究了FMCGEP的收敛速度,最后通过示例和实验,进一步证实了算法收敛速度与算法参数的依赖关系以及加入模糊控制机制加快了算法的收敛（2）将FMCGEP作为次级学习器,随机森林分类器（Random Forest Classifier）、极端树分类器（Extra Trees Classifier）、梯度提升分类器（Gradient Boosting Classifier）、支持向量机等及机器学习算法作为初级学习器,根据stacking算法的集成思想,提出一种模糊自适应多细胞基因表达式编程集成分类算法（FCMGEP-EC）。该方法对基学习器进行组合,并对Tox21毒性数据集进行建模和预测集成分类。通过与基学习器进行实验比较,结果表明该算法在分类精度上获得了更好的效果。（3）将FMCGEP作为次级学习器,线性回归、决策树、弹性网络、随机森林回归器（Random Forest Regressor）、极端树回归器（Extra Trees Regressor）、梯度提升回归器（Gradient Boosting Regressor）等及机器学习算法作为初级学习器,根据stacking算法的集成思想,提出一种模糊自适应多细胞基因表达式编程集成回归算法（FCMGEP-ER）。针对化合物活性数据使用FCMGEP-ER进行建模和预测,将EVS,MAE,MSE,R2＿Score作为评价指标比较算法的性能。与基线机器学习方法对比,研究结果表明本方法的有效性。（4）正辛醇/水分配系数（简称log P）反映了物质的脂溶性和水溶性。log P与药物在人体内的溶解、吸收、分布和转运有关,因此准确有效的预测log P对药物开发和人体健康监测具有重要意义。本研究提出了一种改进的基于摩根指纹模糊控制的基因表达式编程算法（FCMGEP2log P）,以提高log P预测精度。基于RMSE和MAE的实验结果表明,该方法不仅优于多细胞基因表达式编程,而且优于BP神经网络、支持向量回归、随机森林回归和高斯过程回归方法。