Symbolická regrese jako náhradní model v evolučních algoritmech

Abstract

Evoluční algoritmy jsou často omezeny počtem funkčních ohodnocení které jsou dostupné během řešení problémů optimalizace černé skříňky. Tato práce popisuje jeden z přístupu k zlepšení diferenciální evoluce pomocí náhradních modelů generovaných symbolickou regresi. Tři algoritmy pro symbolickou regresi --- kvadratické modely, genetické programování a rozšířená rychlá těžba funkcí (extended fast function extraction) --- jsou porovnány s učicí metodou náhodného lesa a s diferenciální evoluci bez použití náhradných modelů. Empirické výsledky ukázují, že použití náhradních modelů generovaných symbolickou regresi vede k zlepšení výkonu ve všech otestováných příkladech a během každé fáze vyhledávání.

Evolutionary algorithms are often limited by the number of function evaluations available in black-box optimization problems. One possible approach to enhance a representative evolutionary algorithm, differential evolution, with surrogate models built using symbolic regression is presented in this thesis. Three symbolic regression algorithms --- quadratic models, genetic programming and extended fast function extraction --- were compared against random forest surrogate models and regular differential evolution. Empirical results have shown that symbolic regression surrogate models improve performance in all tested problems and during each stage of the search process.