改进基于模型的遗传编程以进行小表达式符号回归
神经与进化计算
2021-03-08 v4
摘要
基因池最优混合进化算法(GOMEA)是一个基于模型的进化算法框架,已在包括遗传编程(GP)在内的多个领域表现出良好性能。与传统进化算法中变异盲目作用不同,GOMEA 学习基因型内相互依赖关系的模型,即连锁(linkage),以估计应传播的模式。在本文中,我们研究 GOMEA 在符号回归(SR)中执行的连锁学习(LL)的作用。我们表明,GP 种群中基因型分布的不均匀性会对 LL 产生负偏置,并提出了一种校正方法。我们还提出了在使用了暂态随机常数时改进 LL 的方法。此外,我们调整了一种交错运行方案,以减轻对种群规模这一 LL 关键参数进行调参的负担,使之适用于 SR。我们在 10 个真实世界数据集上运行实验,严格限制解的大小以保证可解释性。我们发现新的 LL 方法优于标准方法,且 GOMEA 优于传统 GP 与语义 GP。我们还发现 GOMEA 演化出的小解与调优后的决策树具有竞争力,使 GOMEA 成为 SR 的一种有前景的新方法。
引用
@article{arxiv.1904.02050,
title = {Improving Model-based Genetic Programming for Symbolic Regression of Small Expressions},
author = {Marco Virgolin and Tanja Alderliesten and Cees Witteveen and Peter A. N. Bosman},
journal= {arXiv preprint arXiv:1904.02050},
year = {2021}
}
备注
fix NMSE definition (it is 100xMSE/var instead of MSE/var)