genetic-programming - 基因表达程序设计与笛卡尔遗传程序设计之间的区别

进化计算中非常令人讨厌的一点是，稍微不同且重叠的概念往往会选择截然不同的名称。因此，我最近的困惑是基因表达编程似乎与笛卡尔遗传编程非常相似。

(如何)这些根本不同的概念？

我读过GP指令的间接编码是一种有效的技术(GEP和CGP都可以做到这一点)。是否已经达成某种共识，认为间接编码已经超过了经典树基GP？

最佳答案

好吧，似乎基因表达编程(GEP)与笛卡尔遗传编程(CGP或我认为的经典遗传编程)之间存在一些差异，但这种差异可能比实际值要大。请注意，我从未使用过GEP，因此我的所有评论均基于我在CGP方面的经验。

在CGP中，基因型和表型之间没有区别，换句话说，如果您正在查看CGP的“基因”，那么您也在查看它们的表达。此处没有编码，即表达树就是基因本身。

在GEP中，基因型被表达为表型，因此，如果您查看基因，您将不容易知道该表达将是什么样。 GP的“发明人”CândidaFerreira写了really good paper，有些other resources试图对整个概念进行更简短的概述。

Ferriera说好处是“显而易见的”，但我真的看不到有什么能使GEP优于CGP。显然，GEP是多基因的，这意味着性状(即表达树)的表达涉及多个基因。无论如何，适应度是在表示的树上计算的，因此看起来GEP并没有采取任何措施来增加适应度。作者声称，GEP提高了达到适应性的速度(即世代较少)，但是坦率地说，您可以通过使用不同的选择算法，不同的锦标赛结构，将人口进入部落，在部落之间迁移标本，包括适应度的多样性等。

选择:

随机

轮盘赌轮

top-n

取一半

等。

比赛频率:

每个纪元一次

每个数据实例一次

每代一次。

比赛结构:

取3，杀死1并用其他两个的子项替换。

按适合度对锦标赛中的所有个人进行排序，杀死下半部分，然后将其替换为上半部分的后代(其中下半部分表示较差的适应性，上层表示较差的适应性)。

从锦标赛中随机选择个人，以配对并杀死多余的个人。

部落
人口可以分为彼此独立发展的部落:

迁移-周期性地，一个部落中的个人将被转移到另一个部落

部落在逻辑上是分离的，因此它们就像在不同环境中运行的自己独立的种群一样。

多样性健身
将多样性纳入适应度中，您可以计算出多少个人具有相同的适应度值(因此可能具有相同的表型)，并通过成比例的值(value)来惩罚其适应度:具有相同适应度值的个体越多，对这些人。这样，将鼓励具有独特表型的标本，因此种群的停滞将大大减少。

这些只是可能严重影响CGP性能的一些因素，当我大声说时，我的意思是它的值(value)与Ferriera的性能相同或更高。因此，如果Ferriera不对这些想法进行过多修改，那么她可能会发现CGP的性能要慢得多……尤其是如果她没有采取任何措施来应对停滞不前的情况。因此，在阅读GEP的性能统计信息时，我会格外小心，因为有时人们无法说明那里提供的所有“优化”。

关于genetic-programming - 基因表达程序设计与笛卡尔遗传程序设计之间的区别，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/3475868/