Koevoluční algoritmus pro symbolickou regresi

Abstract

Symbolická regrese je stochastická metoda strojového učení. která se pokouší hledat nejlepší model pro daná data, skládající základní matematické funkce. Své modely vylepšuje pomocí genetických operátorů a evolučních technik. Tato práce je věnována koevoluci příznaků a modelů uvnitř symbolické regrese, respektive Single Node Genetic Programming. Slouží jako důkaz funkčnosti této metodu testovanéé na problémech jako je zapojení paralelních rezistorů či manipulace s magnetem. Tento důkaz je uskutečňován na jednocílové optimalizaci

Symbolic regression is a stochastic machine learning method which tries to find the best model for given data composed of elementary mathematical functions. It develops its models using genetic operators and evolutionary techniques. This thesis is devoted to the co-evolution of features and models inside a symbolic regression, specifically Single Node Genetic Programming. It serves as a proof of concept of this method demonstrated on problems like parallel resistors or magnetic manipulation. The proof is done on the single objective optimisation