多目标遗传编程中基于语义的距离方法

在遗传编程（GP）语境下，语义可理解为程序在给定一组输入时的行为，其对于提升 GP 在多种不同问题上的性能已有充分记载。已有大量不同方法将语义引入单目标 GP。然而，多目标（MO）GP 中语义的研究十分有限，本文旨在解决此问题。更具体地，我们对 MOGP 中三种不同形式的语义进行比较。一种基于语义的方法，（i）基于语义相似性的交叉（SSC），借自单目标 GP，该方法在进化搜索中一贯被报道有益。我们还研究了另外两种方法，称为（ii）作为附加准则的基于语义的距离（SDO）与（iii）枢轴相似性 SDO。我们通过实验一贯地表明，与规范方法及 SSC 相比，在自然地将语义距离作为 MOGP 中待优化的附加准则处理时，可带来更优性能。两种基于语义距离的方法均使用了枢轴，即来自搜索空间最稀疏区域的参考点，并且发现那些与该枢轴语义相似及不相似的个体均有益于促进多样性。此外，我们还表明，在单目标优化中成功促进的语义未必能在被采用于 MOGP 时带来更好性能。