问题标签 [genetic-programming]

我目前正在使用RGP作为遗传编程库。如果有人对另一个库有想法（更好的文档，更积极的开发等），我想听听你的建议。

问题相当简单：给定 R 中具有 n 个参数的函数，我如何使用遗传编程找到全局最小值。我尝试修改其中一个示例程序，但似乎这个示例使用了线性回归，我认为这不适合我的情况。

有人有我可以使用的示例代码吗？

我使用 JGAP 为原理图生成测试向量。通过将染色体的基因设置为 bits ，我获得了单个测试向量的最大覆盖率。现在我需要用最少的测试向量获得 100% 的覆盖率。

如果我将每个基因设计为测试向量，则 id 需要根据基因数量和总覆盖率计算适应度函数，并且 id 还需要进化染色体长度和每个测试向量（基因）位。

甚至有可能拥有可变长度的染色体吗？

此类任务是否有任何标准设计？

是否可以使用适应度值来评估种群中的每个个体，而无需找到概率，如下面的伪代码

以及代码的以下部分做什么？

我真的很困惑轮盘赌如何选择一对父母。有什么帮助吗？提前致谢

任何人都可以举一个交叉概率的例子吗？我想知道确定交叉概率有什么好处，以及它对遗传算法或遗传编程有什么影响。

实施了排名选择 (“RS”) 和随机通用抽样 (“SUS”) [ Baker，1987 ] 我现在想介绍精英主义（将最适合的上一代成员重新引入下一代）以观察其声称的好处.

有提到 SUS 和精英主义的结合，例如 Melanie Mitchell 在An Introduction to Genetic Algorithms中的引用。但是，我遇到了一个（非常模糊的）在线参考，建议避免结合使用这两种方法。我想知道在后一种情况下，不正确的实现是否是两种方法不兼容的原因。

因此，如果对 GP 更有经验的人能提供关于如何结合 SUS 和精英主义的描述，我将不胜感激。根据我对这两种机制的了解，逻辑实现是从种群大小 N 中选择 K 最适合的个体，然后对整个排名种群（包括 K 精英）执行 SUS，但只进行 NK 选择（而不是 N 选择将在没有精英主义的情况下发生）。

有人能够确认这个提议的实现在数学上是合理的，以及推荐的方法吗？

有人可以指出一种用于从 lgp 个体中去除内含子的特定算法吗？

谢谢

直觉上我认为如果我想找到“最好”的参数集，我可以简单地从许多孩子的子集中挑选表现最好的一个人，让那个人产生 100 个与他相似的孩子，挑选表现最好的人并重复。专门挑选最好的 2 和杂交品种的目的是什么？就此而言，为什么不选择 3、4 或 10 个父母（“狂欢衍生”受精卵）来创造每一代孩子呢？

非常感谢您对此的意见。我正在借助遗传编程构建回归模型。

如果我在测试数据上的 RMSE（远）低于我在训练数据上的 RMSE（1:5 的数据比），我应该担心吗？

测试数据是从一组 24 个数据点中随机抽取的，无需替换。该模型是使用遗传编程技术构建的，因此随着我最小化由 GP 树中的节点数正则化的训练 RMSE，特征、建模框架等的数量会有所不同。

模型是否欠拟合？或者我应该最小化 MSE 而不是 RMSE（我认为这与 MSE 为正数相同，并且假设优化器足以找到最小值，则 MSE 的最小值将与 RMSE 的最小值一致）？

Tks

我实现了jenes库提供的 Java 示例（教程 5：ObjectChromosome‎</a>）。我发现人群中的个体都是相同的（即没有发生随机化）；

有谁知道为什么jenes库中的随机方法对人群不起作用？

这是一个普遍感兴趣的问题，因为我不是试图解决一个特定的问题。我环顾四周，试图找到一些涵盖该领域的文章，但我什至很难将一些好的搜索词放在一起。

让我们从我所知道的开始：我接受过大学水平的人工智能教育，包括基因编程和更广泛的进化算法类，尽管自从我十年前毕业以来，我并没有经常接触它们。我想知道这些方法是否可以用来创建机器代码来解决问题（也许是 x86，或者一些“任意”指令集）。我们能否发展算法本身，例如可以计算平方根或在屏幕上绘制令人愉悦的图像？是否可以使用进化算法来创建创建优化代码（针对大小、速度等）的整个编译器？

此外，我经常认为遗传编程或进化算法本身并不是物种进化的良好证据。涉及进化算法的问题解决方法似乎总是需要将智能写入其中。一个人如何创建一个真正的进化算法，从而真正产生真正有趣和令人惊讶的结果？

TLDR：进化算法的使用在创建一种机器代码时是否有用，以前有没有进化算法的例子通常产生真正有趣和令人惊讶的结果？

缺口