保留经验与生长解
神经与进化计算
2015-05-07 v1
摘要
通常，当遗传编程(GP)用于函数合成时，系统获得的任何有价值经验都会从一个问题丢失到下一个问题，即使问题密切相关。旨在开发保留问题间有益经验的系统，本文引入新颖的逐节点生长求解器(Node-by-Node Growth Solver, NNGS)算法，其具有称为控制器的组件，可调整并改进用于一组相关问题。NNGS从根到叶生长单个解树。使用语义反向传播并依次局部作用于每个节点，算法采用控制器分配后续子节点直到生成完全形成的解。本文旨在铺平使用神经网络作为控制器组件的道路，并且分开地，朝向使用元GP作为改进控制器组件的机制。讨论了概念验证控制器，其展示了NNGS算法的成功和潜力。在此情况下，控制器构成一组手写规则，可用于确定性且贪婪地解决标准布尔函数合成基准。即使在采用机器学习改进控制器之前，该算法在运行时间上远超其他知名近期算法，保持可比的解大小，并且在所有迄今测试的布尔函数合成基准上具有100%成功率。
引用
@article{arxiv.1505.01474,
title = {Retaining Experience and Growing Solutions},
author = {Robyn Ffrancon},
journal= {arXiv preprint arXiv:1505.01474},
year = {2015}
}