- 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 - 遗传规划中的主动学习:引导符号回归的高效数据收集
该论文研究了遗传编程中计算不确定性和多样性的各种方法。通过使用模型合集和不确定性度量,研究发现模型种群可以被利用来选择有信息量的训练数据点。对于不确定性度量,研究表明差分熵的性能最好。同时,比较了两种数据多样性度量,发现相关性作为多样性度量 - 控制变量遗传编程的符号回归
Control Variable Genetic Programming 利用控制变量实验快速进行符号回归,比起多个独立变量的简单表达,其优于其他基线算法。
- 可微分遗传规划用于高维符号回归
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。
- 一种强化学习辅助的遗传编程算法,用于考虑人 - 岗位匹配的团队组建问题
本研究提出了一种基于强化学习和遗传规划的团队组建方法,在考虑人员和岗位匹配以及团队成员间沟通的情况下,通过验直觉模糊数计算个人工作匹配分数。算法采用集合算法提高解决方案的质量,通过代理人选择搜索模式来实现探索和开发的平衡。基于代理模型的快速 - HOTGP -- 高阶类型遗传规划
本文介绍了一种新的基于 Haskell 的基因编程算法 HOTGP,它利用规约的数据类型来约束搜索空间,更好地合成类型良好的纯函数编程。经验结果表明,与其他六种算法相比,HOTGP 在综合正确程序的能力上更为优异。
- 多元化所需之性
本文研究了基因编程中维护遗传多样性的方法,特别是将性选择中的选择配偶机制引入到基因编程中,比较了利用自适应选择的配偶模型和随机选择模型的优劣。结果表明,自适应选择模型可以更有效地创建多样化的解决方案,并在三个测试实例中具有更高的成功率。
- (1+1) 遗传规划使用功能完备指令集可以演化出任意小误差的布尔与和或
使用 GP 系统和完全函数集可以高效地求解 n 个变量的布尔合取或析取问题,同时引入了超乘积漂移定理以给出更强的运行时间上限。
- 基因向量编程 - 优化特征提取的分段
本研究提出了一种基于 GP 的优化算法,通过向量聚合和梯度信息等策略,优化窗口聚合函数的性能,研究结果表明,虽然现有策略的效果有限,但仍有发现更有效算法的潜力。
- 利用遗传微程序实现自动化软件测试的大路径覆盖
利用遗传编程技术开发出一种新的自动化软件测试框架,生成可以重复生成输入值的微程序,从而快速高效地探索软件元件的输入参数范围,同时可应用于多种软件系统。
- AAAI利用原始功能解释黑盒子的符号元模型
本文提出了一种使用 Kolmogorov 超级定理和一种改进型遗传编程方法的新方法来找到可解释元模型,用于解释黑盒机器学习模型。实验结果表明,该方法优于其他方法。
- 线性遗传规划的表型搜索轨迹网络
本研究通过可视化遗传编程系统的搜索轨迹作为基于图形的模型,探究基因型和表型空间中的搜索轨迹,特别是通过中性突变,帮助我们更好地理解进化的进展和算法行为。同时,通过量化表型特征,包括其基因型丰度和科尔莫戈洛夫复杂性,我们将这些量化指标与搜索轨 - 基于遗传编程的进化深度学习用于数据高效图像分类
本文提出了一种基于遗传编程的演化深度学习方法,可以自动演化可变长度模型,同时构建有效和多样化的 ensemble 用于图像分类,具有优越的性能和解释性。
- 演化行为:面向游戏 NPC 行为树的协作演化
本研究提出了一种基于遗传编程的工具 EvolvingBehavior,可以辅助游戏开发者在虚幻引擎 4 中设计游戏 NPC 的行为树,研究表明该工具可以生成接近设计目标的行为。同时,我们还探讨了协同创意游戏 AI 设计工具的挑战和困难,以及 - 函数式编码构建遗传编程
研究了一种基于遗传编程的编程合成方法,利用反射和一级规范来支持进化可能使用任意数据类型、多态和现有代码库中的函数的程序,使用 Hindley-Milner 类型系统可以演化类型安全的程序,并将性能与其他现代遗传编程方法进行比较。
- GSR: 通用符号回归方法
介绍了一种名为 GSR 的基于遗传编程的符号回归方法,该方法通过基函数的加权和发现自变量与目标变量之间的关系,并获得了与强符号回归基准方法相当的实验性能,并引入了一种新的符号回归基准集 SymSet。
- Taylor 遗传规划用于符号回归
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。
- 基于语法导向遗传编程演化通用多网格 Helmholtz 预处理器
本研究提出了一种基于多目标语法引导遗传规划的新方法,通过上下文无关语法构建多重网格预处理器,利用自定义的逐步问题难度适应方法,演化出适用于不同波数下高效的预处理器来解决二维不定 Helmholtz 方程的线性系统求解问题。
- MM符号回归的变换 - 交互 - 理性表示
本文提出一种扩展 Interaction-Transformation 方法的新函数形式,称为 Transformation-Interaction-Rational representation,通过对目标变量的变换,并使用两个 Inte - 基于 Transformer 的端到端符号回归
本文提出了一种挑战基于遗传编程的符号回归任务的两步法的新方法,利用 Transformer 直接预测包括常数在内的完整的数学表达式,并通过给非凸优化器提供信息化的初始化对预测的常数进行细化,实验表明该方法的效果更好,在 SRBench 基准