Multitasking v symbolické regresi

Abstract

Evoluční algoritmy jsou skupinou optimalizačních technik, jež jsou inspirované organickou evolucí. Evoluční algoritmy mají širokou oblast použití a jsou také vhodné pro takzvanou black-box optimalizaci, kdy není znám předpis optimalizované funkce. Evoluční algoritmy mají dlouhou historii a byla přestavena řada variant jejich použití. Téměř všechny varianty se však zaměřovali na optimalizaci jedné účelové funkce najednou a málo pozornosti bylo věnováno optimalizaci vícero účelových funkci v jednom běhu evolučního algorithmu, tedy takzvanému multitaskingu. Nedávno byla přestavena metoda multifaktoriální optimalizace, která představuje způsob, jak se dají evoluční algoritmy efektivně aplikvat pro optimalizací vícero optimalizačních problému najednou. Hlavní motivací tohoto přístupu je očekávání lepší efektivity optimalizačního procesu, než při řešeni každého problému zvlášť. Tato práce obsahuje rekonstrukci navrhovaného řešení a následné analýzu jeho vlastností na jednu z významných odnoží evolučních algoritmů, kterou je genetické programování, které pracuje se stromovou reprezentací jedinců v populaci. Cílem této práce je anaýlza efektivity genetického programování implementující multifaktoriální optimalizaci.

Evolutionary algorithms are a family of optimization techniques that are heavily inspired by organic evolution. They are popular mainly for their wide applicability. They are also suitable for black-box optimization where a description of the objective function is not known. Many variants of evolutionary algorithms were proposed during their history, but they were mainly focused on the optimization of one optimization problem at a time. Little effort was paid to multitasking which is an optimization of multiple optimization problems at the same run of evolutionary algorithm. Recently, a paper was published that introduced a new approach to evolutionary multitasking called multifactorial optimization. The motivation of this approach is better effectivity in optimization of several tasks concurrently than optimization of each problem independently. This work implements the multifactorial optimization for an important class of evolutionary algorithms which is genetic programming, that works with a tree representation of the candidate solutions. The goal of this thesis is the implementation of the genetic programming algorithm that optimizes in a multifactorial sense and subsequent analysis of its attributes and performance.