Multifactorial Genetic Programming for Symbolic Regression Problems
Multifactorial Genetic Programming for Symbolic Regression Problems
复制标题
符号回归问题的多因素遗传规划
DOI：
10.1109/tsmc.2018.2853719
复制
发表时间：
2020-11
期刊：
影响因子：
--
通讯作者：
Yew-soon Ong
中科院分区：
文献类型：
--
作者：
Jinghui Zhong;Liang Feng;Wentong Cai;Yew-soon Ong
遗传规划（GP）是一种功能强大的进化算法，已被广泛用于解决许多现实世界的优化问题。然而，传统的GP只能在一次独立运行中解决单个任务，这在需要同时解决多个任务的情况下是低效的。最近，多因子优化（MFO）已被提出作为一种新的进化范式，进化多任务。它打算在一次独立运行中对多个任务进行进化搜索。为了使多任务GP，在本文中，我们提出了一种新的多因子GP（MFGP）算法。据我们所知，这是文献中首次尝试使用单一人群进行多任务GP。建议MFGP由一个新的可扩展的染色体编码方案，它是能够同时代表多个解决方案，和新的进化机制的MFO的基础上自学习基因表达式编程。此外，还对由常用GP基准问题和真实的应用组成的多任务场景进行了全面的实验研究。所获得的实证结果证实了建议MFGP的功效。
Genetic programming (GP) is a powerful evolutionary algorithm that has been widely used for solving many real-world optimization problems. However, traditional GP can only solve a single task in one independent run, which is inefficient in cases where multiple tasks need to be solved at the same time. Recently, multifactorial optimization (MFO) has been proposed as a new evolutionary paradigm toward evolutionary multitasking. It intends to conduct evolutionary search on multiple tasks in one independent run. To enable multitasking GP, in this paper, we propose a novel multifactorial GP (MFGP) algorithm. To the best of our knowledge, this is the first attempt in the literature to conduct multitasking GP using a single population. The proposed MFGP consists of a novel scalable chromosome encoding scheme which is capable of representing multiple solutions simultaneously, and new evolutionary mechanisms for MFO based on self-learning gene expression programming. Further, comprehensive experimental studies are conducted on multitask scenarios consisting of commonly used GP benchmark problems and real world applications. The obtained empirical results confirmed the efficacy of the proposed MFGP.
登录
查看更多内容
DOI：
10.1145/1570256.1570428
发表时间：
2009
期刊：
--
影响因子：
--
作者：
J. Miller;Simon Harding
通讯作者：
J. Miller;Simon Harding
DOI：
--
发表时间：
1985-07
期刊：
--
影响因子：
--
作者：
N. Cramer
通讯作者：
N. Cramer
DOI：
10.1007/978-1-4899-7687-1_100322
发表时间：
2017
期刊：
--
影响因子：
--
作者：
Negar Rostamzadeh
通讯作者：
Negar Rostamzadeh
DOI：
10.1109/tsmc.2017.2672997
发表时间：
2017-04
期刊：
IEEE Transactions on Systems, Man, and Cybernetics: Systems
影响因子：
--
作者：
Kit Yan Chan;H. Lam;C. Yiu;T. Dillon
通讯作者：
Kit Yan Chan;H. Lam;C. Yiu;T. Dillon
影响因子：
14.3
作者：
Gupta, Abhishek;Ong, Yew-Soon;Feng, Liang
通讯作者：
Feng, Liang