本研究介绍了一种新的方法，利用笛卡尔遗传编程来实现神经结构搜索，并通过多目标进化算法（MOEA）在连续域中进行优化，提出了两种变体，这些变体在粒度上的考虑不同，经实验结果证明，相对于目前最先进的提议，本文提出的方法在分类性能和模型复杂度方面具有竞争力。

Jun, 2023

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

使用遗传编程进行可解释流形学习，直接惩罚树结构的复杂性，提高流形质量和可解释性，并允许自定义复杂度度量，标志着实现可解释流形学习的重要进展。

Mar, 2024

本研究探讨了基于多维基因编程的演化计算方法，使用机器学习技术选择性推进程序构建模块，提出了前向逐步杂交操作符，并在回归问题研究中取得了显著的改进和最先进的结果。最后，本文研究了该架构和其他架构在使用启发式搜索期间利用信息的潜力，并从应用程序中解释了数据表示的共线性和复杂性。

Apr, 2019

研究一种学习针对回归问题的可解释表示的方法，将特征表示为由神经网络中常用的激活函数和其他基本函数组成的多类型表达树的网络。通过梯度下降来训练可微分特征，并利用特征在线性模型中的性能来加权每个表示子组件的变化率。该方法可以产生比梯度提升更小、在 100 个开源回归问题上的平均测试得分更高的表示。

Jul, 2018

本次研究首次提出了基因表达编程作为一种新技术，使用基因型 / 表现型遗传算法的线性和分叉形式来创建计算机程序，使用表达树的编码方式，通过已有的多种变异方法，分别进行染色体的改进，使该算法显著提高了适应性能力，可用于诸如符号回归、无常数创建的序列归纳、堆叠块等一系列问题。其中，基因表达编程的应用十分广泛，尤其在布尔概念学习中有着广泛的应用价值。

Feb, 2001

本文提出了一种多视图图形编程表示方法，使用图形神经网络处理数据和控制流，并在此基础上评估了该方法在算法检测中的性能，结果表明这种方法比先前的方法表现得更好。

Feb, 2022

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

用大型语言模型（LLM）进行演化代码的算法最近才出现在遗传编程（GP）领域中。我们提出了 LLM GP，这是一种基于 LLM 的形式化演化算法，旨在演化代码。与 GP 类似，它使用进化算子，但其设计和实现与 GP 截然不同，因为它利用了 LLM 的提示和 LLM 的预训练模式匹配和序列完成能力。我们还提供了 LLM GP 的演示级变体及其代码。通过涵盖从形式到实践的算法，我们涵盖了设计和 LLM 使用的考虑因素，以及使用 LLM 进行遗传编程时出现的科学挑战。

Jan, 2024

使用笛卡尔遗传编程优化间接编码方法中基因与权重之间的距离函数，提高了 GENE 在神经网络演化中的表现。

Mar, 2024