控制变量遗传编程的符号回归
Symbolic regression is improved by Racing Control Variable Genetic Programming (Racing-CVGP), which carries out multiple experiment schedules simultaneously and outperforms other regressors.
Sep, 2023
通过混合神经引导 / 遗传编程方法来优化符号回归问题,表明针对该混合优化方式的神经引导组件可用于改进生产规划初始种群,而分离神经引导和遗传编程组件的生成方式最优,增加了一组 22 个符号回归基准问题。
Oct, 2021
提出了一种基于控制变量的神经符号回归方法 SRCV,它将多变量符合回归分解为一组单变量 SR 问题,再逐步将它们从下往上组合,可显著提高多变量符号回归的准确性和可扩展性,并可以大幅减少符号回归的搜索空间。
Jun, 2023
Taylor 遗传编程是一种利用 Taylor 多项式来提取符号方程特征的 SR 问题解决方法,实验证明 Taylor 遗传编程比其他九种基准方法更准确且更快。
Apr, 2022
提出了一种利用可微分的 CGP 编码进行多目标进化搜索的 MEMETIC 算法,以学习回归方程中的数值常量,在火星探测器热功率估算和通过陀螺定年法确定恒星年龄两个应用中,该方法显示出与机器学习的黑盒回归模型或手动匹配方法同等或更高的性能。
Jun, 2022
本研究提出了一种名为 DGP 的可微分方法,用于高维符号回归,其包括新的数据结构、采样方法和多样化机制等。实验证明,该方法能够有效地优化生成树,取得了在高维回归基准测试中优于同行竞争者的性能,并且即使在不同噪声水平下,也能够实现最佳恢复率。
Apr, 2023
我们对新兴的符号回归系统进行测试,使用端到端的转换器模型与基于遗传编程的传统方法进行比较,结果表明传统的遗传编程方法仍然优于最近发表的两种符号回归方法。
Jun, 2024
本文提出了一种混合基函数构造方法(GP-RVM)来解决符号回归问题,该方法结合了被称为 Kaizen Programming 的遗传编程的扩展版本和相关向量机来发展一组最优基函数。实验结果表明,GP-RVM 优于传统方法,是一种有效且准确的解决方案。
Jun, 2018