Prediktory fitness v genetickém programování

Abstract

Počítačové programy v genetickém programování je třeba ohodnotit na velkém množství testů, aby mohla být změřena jejich kvalita. Tento proces může být urychlen, pokud jsou k ohodnocení použity pouze malé podmnožiny testovacího datasetu zvané fitness prediktory. Používané metody konstruují fitness prediktory pomocí koevoluce fitness prediktorů a počítačových programů. V této práci jsme navrhli metodu konstruující prediktory bez použití koevoluce. Porovnali jsme navrhnutou metodu a používané metody na šesti problémech symbolické regrese. Na dvou jednoduchých problémech urychlila navrhnutá metoda evoluci zdaleka nejvíce ze všech porovnávaných metod, ale na zbytku problémů byly její výsledky znatelně horší než výsledky prediktorů vytvořených koevolucí.

In genetic programming, computer programs have to be evaluated on many test cases in order to measure their performance. To accelerate this process, smaller subsets of the training dataset called fitness predictors can be used. The known methods construct the fitness predictors using coevolution of fitness predictors and computer programs. In this thesis, we proposed a method of fitness predictor construction, which does not rely on coevolution. We compared the known and proposed methods using six symbolic regression problems. On two simple problems, the proposed method accelerated the evolution the most from all compared methods, but on the rest of the problems, it performed noticeably worse than the coevolved predictors.