Detail publikace
Cartesian Genetic Programming as an Optimizer of Programs Evolved with Geometric Semantic Genetic Programming
Sekanina Lukáš, prof. Ing., Ph.D. (UPSY)
Cartesian Genetic Programming, Geometric Semantic Genetic Programming, symbolic regression, semantics
V geometrickém sémantickém genetickém programování (GSGP) pracují genetické operátory na úrovni sémantiky a ne syntaxe. To přináší mnohé výhody, zejména kvalitnější programy (s ohledem na chybovost) než běžné genetické programování. Na druhou stranu jsou tyto programy velmi složité, což znemožňuje jejich využití v systémech s omezenými zdroji, např. ve vestavěných systémech. V článku představujeme podstromové kartézské genetické programování (SCGP), tj. metodu umožňující redukovat počet uzlů v programech produkovaných GSGP. SCGP aplikuje běžné CGP na všechny podstromy náležící k řešení vytvořenému GSGP a na různé kompozice těchto podstromů s cílem zmenšit velikost výsledného programu. SCGP negarantuje sémantickou ekvivalenci mezi výstupy CGP a GSGP, ale uživatel může definovat podmínky, kdy je výsledek optimalizace provedené CGP akceptovatelný. SCGP bylo ověřeno na několika testovacích úlohách, ve kterých umožnilo snížit počet uzlů v programech od 92.4% do 99.9%.
@inproceedings{BUT156847,
author="Ondřej {Končal} and Lukáš {Sekanina}",
title="Cartesian Genetic Programming as an Optimizer of Programs Evolved with Geometric Semantic Genetic Programming",
booktitle="Genetic Programming 22nd European Conference, EuroGP 2019",
year="2019",
pages="98--113",
publisher="Springer International Publishing",
address="Cham",
doi="10.1007/978-3-030-16670-0\{_}7",
isbn="978-3-030-16669-4",
url="https://www.fit.vut.cz/research/publication/11859/"
}