基因表达式编程(Gene Expression Programming, GEP)是演化计算的新一代成员,它结合了遗传算法(Genetic Algorithm,GA)编码简单,易于操作与遗传程序设计(Genetic Programming,GP)表达灵活,搜索能力强的特点,进化效率比遗传程序设计系统高出100-60000倍,由于其优越的性能吸引了越来越多的研究者参与其中。人们对GEP个体编码结构,解码方法,种群初始化,各遗传算子等进行了改进,取得了很好的试验效果,GEP与传统人工智能方法相结合进化效率也有所提高。理论上对GEP的模式定理,收敛性的研究也取得了一定的成果。现在GEP已广泛应用于符号回归,分类算法,时间序列预测等。毕竟GEP算法的提出到现在不过十来年时间,理论与应用的研究还有许多领域等待后来者的探索。本文在前人工作的基础上对GEP的研究现状、原理、解码方法及应用进行了研究。本文的主要工作包括以下几个方面的研究与创新:1、介绍了传统的遗传算法和遗传程序设计的相关理论和技术;2、重点介绍了基因表达式编程的各关键因数与算法流程,分析了GEP与GA和GP的本质不同:GEP实现了基因型与表现型的分离;3、分析了传统GEP解码方式的不足,提出了一种新的GEP解码方法:非物理树GEP解码,此方法在解码过程中不需真正物理意义上的表达式树的建立与运算,减少了机器的运算量;4、将新解码算法的GEP应用于符号回归与股票走势的预测,取得了较好的实验结果;5、最后对全文工作进行了总结,分析了本论文存在的问题并对未来发展方向进行了展望。