针对生活中的复杂问题,为了探寻事实规律和挖掘数据价值,人们希望通过完善的方法,构造一个能够反映事实现象和未来变化趋势的数学模型.基因表达式编程算法(Gene Expression Programming,GEP)作为一种成熟的演化算法,具有先天的自组织、自适应和自学习的特性,使得它们能在复杂的非线性问题中实现函数的发现和模型的自动建模,完成从复杂数据中找到其背后规律的目标.本文针对复杂动态系统的历史观测数据,利用GEP算法构建预测模型,并用该模型刻画时间序列数据的动态规律,进而把握事件的未来发展方向.针对传统GEP算法在处理问题时的不足和模型不同的使用场景,提出了具体的改进策略和优化方案.实验结果证明了工作的有效性.本文所做的主要工作如下:1.利用GEP在复杂函数自动建模方面的优势和解决实际问题的能力,针对复杂非线性的高速公路通行费收入数据,提出基于GEP算法的预测模型来刻画通行费收入的变化规律.此外,针对节假日通行费限免政策导致在特定月份上,模型拟合程度低、无法准确捕捉极值点的问题,提出了基于中心平衡的GEP算法(Center Balance GEP,CB-GEP).通过采集12家公司通行费收入的历史数据进行仿真实验,验证了算法在收入预测上的有效性和准确性.2.提出基于GEP的高阶常微分方程演化建模方法.针对低阶常微分方程在复杂动态系统中,难以正确表现事物内在规律和发展趋势的局限性.本文利用高阶常微分方程刻画复杂动态系统的能力,以及GEP在函数发现中的建模优势,构建了基于GEP的高阶常微分方程模型(High order ordinary differential equations based on GEP,GEP-HODE).将模型应用于股票价格趋势预测,结果表明,算法对比传统的预测模型具有更高的正确率.3.提出一种基于磷虾群算法的高阶常微分方程模型参数优化方法.针对GEP后期收敛速度慢、容易陷入局部最优的缺陷,提出加入动态压力控制算子的磷虾群优化算法(Krill herd algorithm based on dynamic pressure control operator algorithm,DPCKH).算子通过在不同时期给优秀个体赋予不同的诱导效应,以此提升算法的寻优能力.算法对高阶常微分方程预测模型进行参数优化,通过实验结果对比,表明优化后演化出的模型具有更高的预测精度.