- AlphaForge：一个挖掘和动态组合公式化 Alpha 因子的框架
本研究提出了一种基于两阶段的公式化 α 因子生成框架 AlphaForge，用于 α 因子挖掘和因子组合。该框架利用生成性 - 预测性神经网络生成因子，并结合因子的时间性能进行选择和动态调整权重，实现了在量化投资领域中超越现有基准的效果。
- 符号回归的最新算法与遗传规划的比较
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。
- 用遗传规划发现动态符号策略
通过遗传编程优化代数表达式，我们展示了白盒符号控制系统可用于学习和优化转换观察到的控制信号的函数，从而提供了比黑盒模型更具解释性和透明度的方案。
- 多表示遗传编程：基于树状和线性表示的案例研究
本文提出了一种基于树形和线性表示的多表示遗传编程算法，通过跨表示交叉运算符，成功改善了仅使用树形或线性表示的遗传编程在符号回归和动态车间调度问题中的效果。
- 回归中进化特征构建的锐度感知最小化
通过使用 PAC-Bayesian 理论中的 sharpness-aware 最小化方法，在语义空间中寻找表现稳健的符号特征，该方法能够有效减轻遗传规划的过拟合问题，并在限定实例数量和标签噪声存在的情况下表现优于标准遗传规划和其他先进的复杂 - 图像分类的下一代损失函数
神经网络通过最小化损失函数来学习，定义了预测模型输出与目标值之间的差异。选择损失函数对于实现特定任务行为至关重要，并且极大地影响模型的能力。我们利用遗传编程方法对众所周知的损失函数进行了实验性挑战，包括交叉熵损失，提出了 5 个最佳函数，并 - 遗传编程学习交通信号控制
该研究提出了一种基于学习的方法，用于复杂交叉口的信号控制，通过设计一种可解释的树状紧急程度函数，并利用遗传编程进行优化，相比交通领域中的先进方法和一种已知的深度强化学习方法，实验结果表明这种方法能够提高交通信号控制的性能。
- 基因编程用于可解释流形学习
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。
- 通过遗传编程演化基准函数比较进化算法
利用遗传规划（GP）生成新的优化基准函数，通过利用 Wasserstein 距离和 MAP-Elites 方法，我们展示 GP 生成的基准函数能够更好地区分算法，并自动设计、比较进化算法。
- 基于遗传编程的损失函数学习的快速高效局部搜索
本文提出了一种用于任务和模型无关的损失函数学习的新型元学习框架，通过混合搜索方法，首先使用遗传编程找到一组符号损失函数，然后对学习到的损失函数进行参数化和优化，实验证明该框架具有多样性与性能，在各种任务和特定神经网络结构上提供了改进的收敛性 - 符号回归的函数分析方法
在函数分析的新视角下，我们提出了一种名为傅里叶树生长（FTG）的新颖符号回归方法，以解决遗传编程在树状表示用于符号回归时的性能限制问题，并在经典一维基准问题上取得了显著的性能改进，同时揭示了遗传编程在符号回归问题上的局限，并为进一步推动符号 - SymbolNet: 自适应动态修剪的神经符号回归
基于神经网络的符号回归方法中引入了动态修剪，用于同时优化训练损失和表达复杂度，通过稀疏正则化适应性地调整修剪类型的目标稀疏度，并在多个数据集上证明了其有效性。
- 利用大型语言模型演化代码
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 L - 改进的遗传程序设计预测半自动磨机的磨矿通过量
该研究探索了将遗传编程应用于预测半自磨磨机的研究，通过引入五个新的遗传编程变体，提高了预测性能，这些变体通过提取各个训练数据集簇的多个方程式实现精确预测，结果表明这些新的遗传编程变体在预测准确性方面平均提升了 12.49％，同时发现欧式距离 - 动态网络模型的符号回归
使用复杂系统、网络、遗传编程、符号回归和进化计算等方法，该研究论文介绍了一种用于生成网络结构和发展过程的新型网络生成器，并通过改进的方法和应用于多个数据集的实验证明了其解释性和去中心化特性。
- 液态遗传编程
提出了一种名为液态遗传规划（LSGP）的新型遗传规划变体，LSGP 是一种混合方法，结合了用于存储输入（液体）的动态内存和用于问题求解部分的遗传规划技术。通过使用多个基准测试问题进行了数值实验，实验结果表明，在考虑的测试问题中，LSGP 的 - 线性物质功率谱的精确符号仿真器
利用基于遗传编程的符号回归框架来探索能够近似表示功率谱和 σ8 的潜在数学表达式空间，同时提供物理解释，并提供一个简单的解析逼近式来计算 σ8。
- 基于连续全局优化的符号回归 ParFam
采用参数化函数族和全局优化的方法，将离散的符号回归问题转化为连续优化问题，以解决符号回归问题，并证明了该方法在常见符号回归基准测试中取得了最先进的结果。
- 竞速控制变量遗传编程用于符号回归
Symbolic regression is improved by Racing Control Variable Genetic Programming (Racing-CVGP), which carries out multiple - TurboGP：一个灵活而先进的基于 Python 的 GP 库
TurboGP 是一种完全采用 Python 编写且专为机器学习任务设计的遗传编程 (GP) 库，它实现了其他 GP 实现中不可用的现代功能，例如岛屿和细胞人口方案、不同类型的遗传操作 (迁移、保护杂交)、在线学习等等。TurboGP 最独