Slope Stability Analysis with Geometric Semantic Genetic Programming
遗传编程在工程领域得到了广泛的应用。与传统的遗传编程和人工神经网络相比，几何语义遗传编程（GSGP）在收敛性和计算效率方面具有优越性。本文采用GSGP对一个样本数据集进行分类和回归分析。在此基础上，建立了基于几何语义的边坡稳定性分析模型。研究结果表明，该方法能客观地分析边坡稳定性，对边坡稳定性和安全系数的预测精度较高。预测结果可为边坡安全设计提供参考。
2017-12-05 cs.NE
Hash-Based Tree Similarity and Simplification in Genetic Programming for Symbolic Regression
Josef Ressel Centre for Symbolic Regression（约瑟夫·雷塞尔符号回归中心）；University of Applied Sciences Upper Austria（上奥地利应用科学大学）；Johannes Kepler University（约翰内斯·开普勒大学）
本文介绍了一种运行时高效的树哈希算法，用于识别同构子树，在符号回归的遗传编程中有两个重要的应用：快速，在线计算种群多样性和符号表达式树的代数简化。基于这种散列方法，我们提出了一个简单的多样性保护机制与有前途的结果收集的符号回归基准问题。
2021-07-22 cs.LG cs.NE
Towards Advanced Phenotypic Mutations in Cartesian Genetic Programming
TU Dortmund University（多特蒙德工业大学）；Department of Computer Science（计算机科学系）
笛卡尔遗传编程通常使用点突变作为唯一的遗传算子。在本文中，我们提出了两个表型突变技术，并采取了一个步骤，先进的表型突变的笛卡尔遗传编程。所提出的突变的功能受到生物进化的启发，生物进化通过插入和删除核苷酸来突变DNA序列。符号回归和布尔函数问题的实验表明，当使用所提出的突变时，具有更好的搜索性能。我们的实验结果表明，表型突变的使用可能有利于笛卡尔遗传编程的使用。
2018-03-16 cs.AI cs.NE
Obtaining Basic Algebra Formulas with Genetic Programming and Functional Rewriting
Universidad Nacional de Colombia（哥伦比亚国立大学）
在本文中，我们开发了一套遗传编程运营商和初始化人口过程的基础上的概念，功能性编程重写提升归纳遗传编程。这样的遗传算子内使用的混合自适应进化算法，在进化的同时，它进化的解决方案的运营商的利率。使用递归函数表示解决方案，其中基因组被编码为树的有序列表，并且表型用简单的函数程序设计语言编写，该语言使用重写作为操作语义（计算模型）。适应度是在样本集基数上成功推导出的样本数量。按照锦标赛选择机制选择父母，并按照稳态策略获得下一个种群。进化过程中可以使用一些以前的功能（程序）诱导的背景知识。我们比较我们的技术在一组困难的问题（经典的遗传编程）的性能。特别地，我们把求一些著名乘积（如二项式的平方、二项式的立方）的等价代数表达式，以及前n个自然数的和与平方的递推公式的问题作为试验床。
2020-05-03 cs.LG cs.NE math.OC
Computational Complexity Analysis of Simple Genetic Programming On Two Problems Modeling Isolated Program Semantics
分析二进制搜索空间的进化算法的计算复杂性，大大增加了他们的理论理解。从这篇论文开始，我们对遗传编程的计算复杂性进行了分析。我们建立了几个简化的遗传编程算法，并分析了他们的两个可分离的模型问题，订单和多数，其中每一个都抓住了一个重要方面的典型遗传编程问题。这两个分析给出了第一个严格的见解方面的遗传编程设计，特别是突出的影响，接受或拒绝中性移动和本地突变算子的重要性。
2010-11-15 cs.CC cs.DS cs.NE
Genetic programming approaches to learning fair classifiers
University of Pennsylvania（宾夕法尼亚大学）
社会已经开始依赖分类器等算法来进行重要决策，从而需要公平等道德保证。公平性通常通过要求分类器的某些统计数据在群体内的受保护组上近似相等来定义。在本文中，目前的公平性方法进行了讨论，并用于激励算法的建议，将公平性纳入遗传编程分类。我们提出两个想法。第一种是将公平性目标纳入多目标优化。第二个是适应词典选择，以动态地定义保护组的交叉点上的情况。我们描述了为什么词典选择是非常适合的压力模型，以及在潜在的无限多的子组，其中公平性是必要的。我们使用最近的遗传编程的方法来构建模型的四个数据集的公平性约束是必要的，并根据经验比较性能，以前的方法，利用博弈论的解决方案。方法评估的基础上，他们的能力，以产生子组的公平性和准确性的帕累托最优的权衡。结果表明，一般的遗传编程方法，特别是随机搜索方法，很适合于这一任务。
2020-04-28 cs.LG cs.NE
Scaling Genetic Programming for Source Code Modification
在基于搜索的软件工程中，遗传编程已被用于通过修改源代码来修复错误、提高性能和并行化程序。在将诸如遗传编程的演化计算算法应用于类似的代码操纵任务的情况下，真实世界软件的源代码的复杂性和大小造成了可扩展性问题。为了解决这个问题，我们打算检查如何软件工程的概念模块化，粒度和本地化的变化可以重新制定为额外的机制内的遗传编程算法。
2012-11-21 cs.NE cs.SE
Ensemble Genetic Programming
Faculdade de Ciências da Universidade de Lisboa（里斯本大学科学学院）
包围学习是一种强大的范例，已被用于最先进的机器学习方法，如随机森林和XGBoost。受这些方法成功的启发，我们开发了一种新的遗传编程方法，称为Enhancement GP。它的进化周期与其他遗传程序设计系统相同，但在种群结构、适应度评价和遗传算子等方面有所不同。我们已经在八个二进制分类问题上测试了这种方法，结果明显优于标准GP，模型要小得多。虽然其他方法如M3GP和XGBoost是最好的整体，EnergyGP能够实现特别好的泛化结果在一个特别困难的问题，没有其他方法能够成功。
2020-01-21 cs.LG cs.NE stat.ML
Modified Soft Brood Crossover in Genetic Programming
过早收敛是遗传编程用于数据建模时的一个重要问题。这可以通过改善人口多样性来避免。智能遗传算子有助于提高种群多样性。交叉算子是遗传编程中的一个重要算子。为此，本文分析了智能交叉算子的种类，提出了一种改进的软繁殖交叉算子。这将有助于提高种群的多样性，减少早熟收敛。我们对三个不同的符号回归问题进行了实验。然后，我们提出了我们的交叉（修改软窝交叉）与现有的软窝交叉和子树交叉算子的性能比较。
2013-04-12 cs.NE
Genetic Programming for Manifold Learning: Preserving Local Topology
Victoria University of Wellington（惠灵顿维多利亚大学）
流形学习方法是当今世界日益庞大的数据集的宝贵工具。流形学习算法可以通过非线性变换来发现高维数据集的低得多的维度表示（嵌入），这些非线性变换保留了原始数据的最重要结构。最先进的流形学习方法直接优化嵌入，而无需在原始空间和发现的嵌入空间之间进行映射。这使得可解释性-探索性数据分析的关键要求-几乎不可能。最近，遗传编程已经成为一个非常有前途的方法来流形学习，从原来的空间的功能映射到嵌入。然而，基于遗传编程的流形学习一直难以与其他方法的性能相匹配。在这项工作中，我们提出了一种新的方法，使用遗传编程流形学习，保持局部拓扑结构。预计这将显着提高本地邻域结构（拓扑结构）是至关重要的任务的性能。我们将我们提出的方法与各种基线流形学习方法进行比较，发现它往往优于其他方法，包括对以前的遗传编程方法的明显改进。这些结果是特别有前途的，考虑到潜在的可解释性和可重用性的演变映射。
2021-08-23 cs.AI cs.LG cs.NE
Fitness-based Adaptive Control of Parameters in Genetic Programming: Adaptive Value Setting of Mutation Rate and Flood Mechanisms
本文涉及遗传算法和遗传编程的任务，这是很难找到一个表示，不映射到一个高度复杂和不连续的健身景观的应用。在这种情况下，标准算法很容易陷入局部极值。本文提出了几个自适应机制，是有用的，在防止搜索陷入困境。
2016-05-05 cs.NE
Cartesian Genetic Programming Approach for Designing Convolutional Neural Networks
AGH University of Krakow（克拉科夫AGH大学）；Systems Research Institute, Polish Academy of Sciences（波兰科学院系统研究所）；University of Technology Sydney（悉尼科技大学）；Óbuda University（奥布达大学）
本研究提出一种基于笛卡尔遗传规划（CGP）的神经架构搜索（NAS）方法，仅通过突变操作自动设计卷积神经网络（CNNs），以替代耗时易错的人工设计，初步实验结果证明了该方法的有效性。
2024-10-13 cs.AI cs.LG cs.NE
Symbolic Regression via Neural-Guided Genetic Programming Population Seeding
Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
符号回归是识别符合黑箱过程的观测输出的数学表达式的过程。这是一个离散优化问题，通常被认为是NP-难的。解决该问题的现有方法包括神经引导搜索（例如，使用强化学习）和遗传编程。在这项工作中，我们介绍了一种混合神经引导/遗传编程的方法，符号回归和其他组合优化问题。我们提出了一个神经元引导的组件用于种子的随机重启遗传编程组件的起始人口，逐渐学习更好的起始人口。在一些常见的基准测试任务中，从数据集中恢复底层表达式，我们的方法比最近发布的使用相同实验设置的最佳模型多恢复65%的表达式。我们证明，在不依赖神经引导组件的情况下运行许多代遗传编程，对于符号回归来说，比两者耦合更强的替代公式表现得更好。最后，我们引入了一组新的22个符号回归基准问题，其难度比现有基准更高。源代码在www.github.com/brendenpetersen/deep-symbolic-optimization上提供。
2021-11-17 cs.AI cs.LG cs.NE
Semantic Neighborhood Ordering in Multi-objective Genetic Programming based on Decomposition
遗传编程中的语义多样性在进化搜索中被证明是非常有益的。我们目睹了该领域科学作品数量的激增，首先是在离散空间开始，然后转移到连续空间。然而，绝大多数的这些作品，都集中在单目标遗传编程范例的注意力，与少数例外，专注于进化多目标优化（EMO）。后者的作品使用了众所周知的强大的算法，包括非支配排序遗传算法II和强度帕累托进化算法，两者都深受帕累托优势的概念。这些鼓舞人心的工作使我们在EMO中向前迈出了一步，考虑基于分解的多目标进化算法（MOEA/D）。我们首次展示了如何在遗传编程中促进MOEA/D的语义多样性。
2021-04-13 cs.NE
Liquid State Genetic Programming
Babeş-Bolyai University（巴比什-博雅伊大学）
本文提出液态状态遗传编程（LSGP），一种结合动态记忆存储输入与遗传编程求解的混合方法，在多个基准问题上表现与标准遗传编程相当或更优。
2023-12-05 cs.AI cs.NE
Differentiable Genetic Programming
我们介绍了使用高阶自动微分，通过截断泰勒多项式的代数，在遗传编程。使用笛卡尔遗传编程编码，我们得到一个高阶泰勒表示的程序输出，然后用于反向传播学习过程中的错误。由此产生的机器学习框架被称为可微笛卡尔遗传编程（dCGP）。在符号回归的背景下，dCGP提供了一个新的方法，长期未解决的问题，在GP表达式的常数表示。在几个问题的复杂性增加，我们发现，dCGP是能够找到的符号表达式的确切形式，以及常量值。我们还演示了使用dCGP来解决一大类微分方程，并找到动力系统的素积分，在这两种情况下，结果证实了我们的方法的有效性。
2016-11-15 cs.NE
Fitness Landscape Analysis of Dimensionally-Aware Genetic Programming Featuring Feynman Equations
遗传编程是一种常用的符号回归技术：从未知函数中找到与数据匹配的符号表达式。为了使符号回归更有效，还可以使用约束方程的物理单位的维度感知遗传编程。然而，没有正式的分析维度意识在回归过程中有多大帮助。在本文中，我们进行了适应度景观分析dimensionallyaware遗传编程搜索空间的一个子集的方程从理查德费曼著名的讲座。我们定义了一个初始化过程和一个附带的一组邻域运营商进行本地搜索的物理单位的限制。实验结果表明，增加的变量维数信息可以有效地指导搜索算法。尽管如此，需要进一步分析维度感知和标准遗传编程景观之间的差异，以帮助设计用于维度感知回归的高效进化算子。
2020-04-27 cs.NE
Genetic Programming Theory and Practice: A Fifteen-Year Trajectory
本文依托始于2003年的GPTP研讨会这一遗传编程领域核心学术交流平台，梳理并呈现了该领域过去十五年的主题发展轨迹，为研究遗传编程的演进历程提供了参考。
2024-02-01 cs.NE
Solving even-parity problems using traceless genetic programming
Babeş-Bolyai University（巴比什-波雅依大学）
提出了一种遗传编程（GP）的变种--无痕遗传编程（TGP）. TGP是一种混合方法，它结合了构建个体的技术和表示个体的技术。TGP与其他GP技术的主要区别在于TGP不显式地存储演化的计算机程序。两个遗传算子与TGP结合使用：交叉和插入。TGP被应用于演化数字电路的偶校验问题。数值实验表明，TGP比标准GP的性能好几个数量级。
2021-10-04 cs.AI cs.NE
Faster Genetic Programming GPquick via multicore and Advanced Vector Extensions
我们发展浮点六次多项式人口的遗传编程二叉树多达一百万代。通过交叉创建的程序包含近4亿条指令。为了支持无限的长期演进实验LTEE GP，我们使用SIMD并行AVX 512位指令和48个线程，在单个英特尔至强Gold 6126 2.60GHz服务器上产生高达每秒1390亿次GP操作，139 giga GPops的性能。
2019-02-25 cs.NE
Using Genetic Programming to Model Software
UCL（伦敦大学学院）
我们研究了一个通用的程序，调查范围自动定制它的一个重要的当前任务，这是没有考虑到当它第一次被写入。详细地说，我们显示遗传编程（GP）可以演变的BLAST的输出方面的模型，当它被用来映射Solexa下一代DNA序列的人类基因组。
2013-06-24 cs.AI cs.NE
Computational Complexity Results for Genetic Programming and the Sorting Problem
遗传编程（GP）已经发现了各种应用。从理论的角度理解这种类型的算法是一项具有挑战性的任务。GP的计算复杂性的第一个结果已经得到了孤立的程序语义的问题。在本文中，我们提出了一个依赖程序语义问题的GP的计算复杂性分析。我们研究了著名的排序问题，在这种情况下，严格分析GP如何处理不同的措施排序。
2011-05-06 cs.NE
Predicting Friction System Performance with Symbolic Regression and Genetic Programming with Factor Variables
University of Applied Sciences Upper Austria（上奥地利应用科学大学）；Miba Frictec GmbH（米巴摩擦技术有限公司）
摩擦系统是其中摩擦用于力传递的机械系统（例如机械制动系统或自动变速箱）。为了找到最佳和安全的设计参数，工程师必须预测摩擦系统的性能。这在实际应用中尤其困难，因为它受到许多参数的影响。我们已经使用符号回归和遗传编程，为这项任务找到准确和可靠的预测模型。然而，如何纳入名义变量并不简单。特别地，独热编码是不令人满意的，因为遗传编程倾向于去除这样的指示变量。因此，我们使用所谓的因子变量来表示符号回归模型中的名义变量。我们的研究结果表明，GP是能够产生的符号回归模型预测摩擦性能的预测精度是可比的人工神经网络。具有因子变量的符号回归模型比使用独热编码的模型简单。
2021-07-19 cs.LG cs.NE
Finding Optimal Combination of Kernels using Genetic Programming
Christ University Faculty of Engineering（基督大学工程学院）
在计算机视觉中，识别或分类图像中存在的对象的问题被称为对象分类。这是一个具有挑战性的问题，特别是当图像有混乱的背景，遮挡或不同的照明条件。许多视觉特征已经被提出，即使在这种不利的条件下，也可以帮助对象分类。过去的研究表明，采用多个特征而不是任何单个特征可以更好地识别。多核学习（MKL）框架已被开发用于学习对象分类的特征的最佳组合。现有的MKL方法使用基本内核的线性组合，这对于对象分类可能不是最佳的。现实世界的对象分类可能需要考虑内核的复杂组合（非线性），而不仅仅是线性组合。本文提出了一种基于遗传编程的基核非线性函数进化算法。实验结果表明，与线性组合的核相比，使用遗传编程产生的非核具有更好的精度。
2016-04-22 cs.CV cs.LG cs.NE
Computational Complexity Analysis of Multi-Objective Genetic Programming
遗传编程（GP）的计算复杂性分析是近年来通过分析求解ORDER和MAJORITY问题的简单（1+1）GP算法而开始的。在本文中，我们研究如何采取的复杂性作为一个额外的标准影响运行时的行为。我们考虑广义的顺序和多数，并提出了一个计算复杂性分析（1+1）GP使用多标准的健身功能，考虑到原来的目标和语法树的复杂性作为次要措施。此外，我们研究的预期时间，直到人口为基础的多目标遗传编程算法计算的Pareto前沿时，作为一个同样重要的目标的语法树的复杂性。
2012-03-22 cs.NE
Using LLVM-based JIT Compilation in Genetic Programming
本文描述了一种实现遗传编程的方法，它使用LLVM库来实时编译/解释进化的抽象语法树。该解决方案进行了详细描述，包括解析器（基于FlexC++和BisonC++），可以从一个简单的玩具语言与C类语法构造树。该方法与以前的实现（基于直接执行树使用多态函子）的执行速度。
2017-01-20 cs.NE
Racing Control Variable Genetic Programming for Symbolic Regression
Purdue University（普渡大学）
针对符号回归中固定实验调度导致发现过程延迟的问题，提出竞速控制变量遗传规划（Racing-CVGP），通过并行执行多个实验调度并提前淘汰不利调度，显著加速方程发现过程，在合成与真实数据集上均优于现有方法。
2023-09-13 cs.AI cs.LG cs.NE
Parallel and in-process compilation of individuals for genetic programming on GPU
在GPU硬件上实现遗传编程的三种方法是编译、解释和直接生成机器码。与其他两种方法相比，编译方法具有令人望而却步的开销。本文研究了在GPU硬件上加速遗传编程个体编译的方法。我们应用进程内编译，以尽量减少在每一代的编译开销，我们研究的方法来并行化进程内编译。进程内编译不适合琐碎的线程并行化，我们提出了一个多进程并行化使用内存共享和操作系统进程间通信原语。通过并行编译，我们进一步减少了编译开销。这项工作的另一个贡献是我们在C#中为实验构建的代码框架。该框架使得构建任意语法的遗传编程实验成为可能，这些实验在GPU上运行，只需最少的额外编码工作，并且可以作为开源提供。
2017-05-21 cs.NE
Application of Multi-core Parallel Programming to a Combination of Ant Colony Optimization and Genetic Algorithm
本文将蚁群算法与遗传编程算法相结合，对旅行商问题（NP-难）进行优化。然而，算法的复杂性需要相当多的计算时间和资源。并行实现可以减少计算时间。本文在并行化部分重点介绍了多核体系结构和多处理器系统，并利用Intel公司的OpenMP库实现了算法组合的多核并行化。
2014-11-05 cs.NE
Learning Semantics-aware Search Operators for Genetic Programming
Poznan University of Technology（波兹南理工大学）
本文提出一种语义感知搜索算子，利用图神经网络建模程序指令与数据的交互并生成节点显著性图，引导遗传编程搜索潜在高质量解，在符号回归基准上优于传统树基遗传编程及其消融变体。
2025-02-06 cs.LG cs.NE
Evolving Shepherding Behavior with Genetic Programming Algorithms
University of Maryland（马里兰大学）
我们应用遗传编程技术的“牧羊”问题，其中一组的一种类型的动物（牧羊犬）试图控制的第二组动物（羊）服从群集行为的运动。我们的遗传编程算法进化出一个表达式树，它控制着每只狗的动作。树的操作数是模拟环境的手动选择的特征，其可以允许狗有效地放牧羊群。该算法使用锦标赛式选择，交叉复制，和点变异。我们发现，进化的解决方案推广良好，优于（天真的）人类设计的算法。
2016-03-19 cs.AI cs.NE
The Effect of Multi-Generational Selection in Geometric Semantic Genetic Programming
在进化方法中，一个非常突出的是遗传编程，近年来，一种称为几何语义遗传编程（GSGP）的变体已被证明成功地适用于许多现实世界的问题。由于其实现的特殊性，GSGP需要存储所有的进化历史，即，从第一个开始的所有人口。我们利用这些存储的信息来定义一个多代选择方案，该方案能够使用来自老年人群的个体。我们表明，有限的能力，使用“老”代实际上是有用的搜索过程中，从而显示了零成本的方式，提高性能的GSGP。
2022-05-05 cs.NE
Speed Benchmarking of Genetic Programming Frameworks
University of Coimbra（科英布拉大学）；CISUC（科英布拉大学信息与系统中心）
已知遗传编程（GP）由于设计而遭受计算上昂贵的负担。虽然多年来已经开发了许多技术来缓解这个问题，但由于GP的并行特性，数据矢量化仍然是最有吸引力的策略。在这项工作中，我们采用了一系列的基准测试，旨在比较不同的向量化和迭代实现方法在几个现有的框架的性能和进化能力。也就是说，TensorGP是一种用Python编写的新型开源引擎，它从TensorFlow库中受益匪浅，可以加速GP中的域评估阶段。所呈现的性能基准测试表明，TensorGP引擎能够领先，对于具有更多适应度案例的问题，相对加速超过两个数量级。此外，由于能够计算更大的域，我们认为TensorGP的性能提升有助于发现更准确的候选解决方案。
2021-05-25 cs.LG cs.NE
Code Building Genetic Programming
近年来，遗传编程领域在自动编程方面取得了重大进展。当代程序合成方法的研究和开发，如PushGP和语法指导的遗传编程，可以产生解决在介绍性学术环境中通常分配的问题的程序。这些问题集中在一组狭窄的、预定的简单数据结构、基本控制流模式和基本的、非重叠的数据类型（没有例如继承或复合类型）。很少有（如果有的话）用于程序合成的遗传编程方法令人信服地证明了合成使用任意数据类型、数据结构和从现有代码库中提取的规范的程序的能力。在本文中，我们引入代码构建遗传编程（CBGP）作为一个框架内，这可以做到这一点，利用程序设计语言功能，如反射和一流的规格。CBGP产生一个计算图，可以执行或翻译成宿主语言的源代码。为了证明CBGP的新功能，我们提出了新的基准测试结果，使用非原始的，多态数据类型以及一些标准的程序合成基准。
2020-08-09 cs.NE cs.PL cs.SE
Genetic Programming with Local Scoring
我们提出了通过突变序列合成程序的新技术。其中包括：（1）局部评分方法，为程序中的每个表达式分配分数，使我们能够更精确地识别错误代码;（2）假设表达式，作为进化if条件的中间步骤;以及（3）循环进化，我们通过扩展和缩减阶段进化程序。为了证明它们的优点，我们提供了一个基本的概念验证实现，我们显示出正确的代码的几个函数操作整数和列表，包括一些难以处理的现有的遗传编程技术。
2023-01-25 cs.NE
Data-Driven Discovery of Interpretable Kalman Filter Variants through Large Language Models and Genetic Programming
University of Reading（reading大学）；University of Cambridge（剑桥大学）
本文探讨通过遗传编程和大规模语言模型自动发现卡尔曼滤波变种的可能性，展示框架在不同条件下发现最优解及可解释替代方案的能力。
2025-08-25 cs.LG cs.NE
Solving classification problems using Traceless Genetic Programming
Babes-Bolyai University（巴贝什-博尧伊大学）
无痕遗传编程（TGP）是一种新的遗传编程（GP），可用于解决现实世界中的困难问题。TGP与其他GP技术的主要区别在于TGP不显式地存储演化的计算机程序。在本文中，TGP是用来解决现实世界的分类问题，PROBEN1。数值实验表明，TGP执行类似的，有时甚至比其他GP技术所考虑的测试问题。
2021-10-07 cs.AI cs.NE
The Effects of Population Size on the Performance of BEAGLE GPU-Based Genetic Programming Runs
Michigan State University（密歇根州立大学）；Noblis（诺布利斯）
研究探讨了GPU支持下种群规模对符号回归问题训练成功的影响，发现某些问题受益于狭窄深度搜索，而其他问题受益于广度浅层搜索，同时探索了逐步变化的种群规模以平衡搜索广度和深度。
2026-04-27 cs.NE
Toward Measuring the Scaling of Genetic Programming
创建了几个遗传编程系统，每个系统解决不同的问题。在这些系统中，计算出进化一个工作程序所需的代数G的中位数。随着问题难度的增加，观察到G的行为。在这些系统中，测量所有可能程序的全域中工作程序的密度D。对于两个类程序系统，G ~ 1/sqrt（D）关系式近似成立。对于并行系统（看起来像是多个独立的程序并行演化的系统），我们观察到关系G ~ 1/（nlnn）近似成立。最后，反平行的系统被认为是。
2011-02-13 cs.NE
GSGP-CUDA -- a CUDA framework for Geometric Semantic Genetic Programming
Tecnológico Nacional de México/IT de Tijuana（墨西哥国家技术学院/蒂华纳技术学院）；NOVA Information Management School (NOVA IMS), Universidade Nova de Lisboa（里斯本新大学NOVA信息管理学院）；Instituto Politécnico Nacional - CITEDI（国家理工学院-CITEDI）
几何语义遗传编程（GSGP）是一种基于演化计算的机器学习方法。GSGP直接在程序语义级别执行搜索操作，这比像大多数GP系统那样在语法级别上操作更有效。GSGP在C++中的有效实现利用了这一事实，但没有充分发挥其潜力。本文介绍了GSGP-CUDA，GSGP的第一个CUDA实现和最有效的，它利用GPU的GSGP的内在并行性。结果显示，相对于最先进的顺序实现，加速比大于1,000倍。
2021-06-08 cs.LG cs.NE cs.PF
Towards Deep Representation Learning with Genetic Programming
遗传编程（GP）是一种通常用于机器学习任务的进化算法。在本文中，我们提出了一种方法，允许GP的表示的大规模机器学习数据集转换成一个更紧凑的表示，通过处理功能从原始表示在个人层面上。我们开发的这种方法的自动编码器的概念证明。我们在各种知名的机器学习图像数据集中测试了我们方法的初步版本。我们推测，以迭代方式使用的这种方法可以产生与最先进的深度神经网络竞争的结果。
2018-02-20 cs.NE
Model Selection and Overfitting in Genetic Programming: Empirical Study [Extended Version]
Czech Technical University in Prague（捷克布拉格技术大学）
遗传编程已经非常成功地解决了大面积的问题，但它作为一个机器学习算法的使用一直受到限制。原因之一是过拟合的问题，这不能像传统方法那样容易解决或抑制。另一个与过拟合密切相关的问题是从总体中选择最终模型。在这篇文章中，我们提出了我们的研究，解决这两个问题：过拟合和模型选择。我们比较了几种方法来处理随机抽样技术（RNN）的基础上，使用验证集，所有的模型选择的重点。我们对每种方法进行了人工和真实世界数据集的彻底测试，并将其与使用完整训练数据作为基线的标准方法进行了比较。
2015-05-04 cs.LG cs.NE
Reinforced Linear Genetic Programming
Dalhousie University（达尔豪斯大学）
本文提出强化线性遗传编程（RLGP），通过Q学习自动学习最优寄存器-动作分配，采用内存安全的Rust框架进行实验。
2026-10-21 cs.AI cs.NE
Evolutionary Design of Digital Circuits Using Genetic Programming
对于简单的数字电路，可以很容易地应用设计电路的常规方法。但是对于复杂的数字电路，传统的电路设计方法由于耗时长而不适用。相反，遗传编程主要用于自动程序生成。设计算术电路（通常是数字电路）的现代方法是基于图形的。基于图的算术电路进化设计是一种算术电路优化设计方法。本文提出了一种新的数字电路进化设计方法，即用带子树变异的遗传编程（GP）代替基于图的设计。使用这种技术获得的结果表明，在有限的计算机算法的数字电路设计中的潜在能力的遗传编程。所提出的技术，有助于简化和加速设计数字电路的过程中，发现在数字电路设计领域的变化，优化的数字电路可以成功地和有效地设计。
2013-04-09 cs.NE
SignalGP-Lite: Event Driven Genetic Programming Library for Large-Scale Artificial Life Applications
事件驱动的遗传编程表示已被证明优于传统的命令式表示的互动密集型问题。事件驱动的方法将基因组内容组织成响应环境信号而触发的模块，从而简化了模拟设计和实现。现有的开发事件驱动的遗传编程方法的工作主要使用SignalGP库，其迎合传统的程序合成应用。SignalGP-Lite库通过减少控制流开销和交易运行时灵活性以获得更好的性能（由于编译时配置），从而使用简化的代理进行更大规模的人工生命实验。在这里，我们报告了基准测试实验，显示了8倍到30倍的加速。我们还报告解决方案的质量相当于SignalGP最初开发的两个基准问题，以测试进化的程序响应大量的信号和调制信号响应的基础上的上下文的能力。
2021-08-01 cs.NE
The Computational Theory of Intelligence: Applications to Genetic Programming and Turing Machines
在本文中，我们继续努力的智能计算理论（CTI）的概念，包括计算过程中的遗传算法（GA）和图灵机（TM）。主动，被动和混合计算智能过程也介绍和讨论。我们认为CTI的假设的后果方面的质量的生殖和男性。生物学，计算机科学和网络安全的应用也进行了讨论。
2014-12-14 cs.NE
Using Traceless Genetic Programming for Solving Multiobjective Optimization Problems
Babeş-Bolyai University（巴贝什-博雅依大学）
无痕遗传编程（Traceless Genetic Programming，TGP）是遗传编程（Genetic Programming，GP）的一种变体，用于关注程序的输出而不是程序本身的情况。TGP与其他GP技术的主要区别在于TGP不显式地存储演化的计算机程序。两个遗传算子与TGP结合使用：交叉和插入。在本文中，我们将集中在如何应用TGP解决多目标优化问题，这是非常罕见的GP。每个TGP个体存储表示搜索空间中的点的计算机程序（树）的输出。数值实验表明，TGP能够非常快速和非常好地解决所考虑的测试问题。
2021-10-07 cs.AI cs.NE
Evolving Evolutionary Algorithms using Linear Genetic Programming
Babes-Bolyai University（巴比什-波雅依大学）
提出了一种新的进化算法模型。该模型是基于线性遗传编程（LGP）技术。每个LGP染色体编码一个用于解决特定问题的EA。几个进化算法的函数优化，旅行商问题，二次分配问题的进化使用所考虑的模型。数值实验表明，进化算法执行类似的，有时甚至比几个著名的基准测试问题的标准方法更好。
2021-08-21 cs.AI cs.NE
An Efficient Genetic Programming System with Geometric Semantic Operators and its Application to Human Oral Bioavailability Prediction
最近，新的遗传算子，称为几何语义算子，已被定义为遗传编程。与唯一基于个体语法的标准遗传算子不同，这些新算子基于它们的语义，这意味着训练数据上的输入-输出对的集合。此外，这些算子呈现了一个有趣的特性，即为每个问题引入单峰适应度景观，包括在给定的输入和输出数据之间找到匹配（例如回归和分类）。然而，这些算子的当前定义具有严重的局限性：它们使种群中个体的大小呈指数增长，因此它们的使用在实践中是不可能的。本文旨在克服这一局限性，提出了一种新的遗传编程系统，实现几何语义算子在一个非常有效的方式。为了证明所提出的系统的功能，我们使用它来解决药代动力学领域中的一个复杂的实际应用：预测潜在新药的人体口服生物利用度。除了良好的性能，训练数据，这是预期的，因为健身景观是单峰的，我们还报告了一个优秀的泛化能力，所提出的系统，至少对于所研究的应用。事实上，它优于标准的遗传编程和一系列其他众所周知的机器学习方法。
2012-08-12 cs.NE
Symbolic Regression via Control Variable Genetic Programming
Purdue University（普渡大学）
针对多自变量符号回归难题，受科学控制变量实验启发提出CVGP方法，通过增量式变量引入与定制实验设计缩减搜索空间，理论与实验均验证其优于现有基线。
2023-05-25 cs.AI cs.LG cs.NE
Improving a Parallel C++ Intel AVX-512 SIMD Linear Genetic Programming Interpreter
利用MAGPIE优化C++线性遗传编程解释器，通过AVX-512 SIMD加速提升性能
2025-12-09 cs.NE
On the Success Rate of Crossover Operators for Genetic Programming with Offspring Selection
遗传编程是一种功能强大的启发式搜索技术，用于许多现实世界的应用，以解决回归，分类和时间序列预测等问题。虽然以模式定理的形式对遗传编程进行理论描述已经取得了很大的进展，但是遗传编程的内在动力和成功因素仍然没有得到充分的理解。特别是，不同的交叉算子结合后代选择的效果在很大程度上是未知的。这一贡献揭示了著名的GP交叉算子的能力，以创建更好的后代时，应用于基准问题。我们的结论是，标准（子树交换）交叉是一个很好的默认选择，结合后代选择，GP与后代选择和随机选择的交叉算子可以提高性能的算法在最佳解的质量时，没有解决方案的大小限制。
2013-09-23 cs.NE
Kozax: Flexible and Scalable Genetic Programming in JAX
Donders Institute for Brain, Cognition and Behaviour（唐德斯脑、认知与行为研究所）；Radboud University（拉德堡德大学）
针对遗传编程适应度评估计算需求高、缺乏高效通用框架的问题，提出基于JAX的Kozax框架，支持符号表达式演化、GPU高效扩展及自定义算子，可优化科学计算的白盒解决方案。
2025-04-15 cs.AI cs.NE
CGP++ : A Modern C++ Implementation of Cartesian Genetic Programming
CNRS（法国国家科学研究中心）；Sorbonne Université（索邦大学）；Leiden University（莱顿大学）
针对 CGP 参考及现有 C 实现缺乏通用性、复用性和功能扩展受限的问题，本文提出采用面向对象与泛型编程的现代 C++ 框架 CGP++，以支持复杂方法实现并提升可解释性、可访问性与可复现性。
2024-06-13 cs.LG cs.NE
