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
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
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
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
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
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
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
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
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
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
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
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
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
Choose Your Programming Copilot: A Comparison of the Program Synthesis Performance of GitHub Copilot and Genetic Programming
Johannes Gutenberg University（约翰内斯·古腾堡大学）
GitHub Copilot是由大规模语言模型Codex提供支持的Visual Studio Code开发环境的扩展，为软件开发人员提供自动程序合成。该模型在深度学习领域已经得到了广泛的研究，然而，与遗传编程的比较尚未进行，遗传编程也以其在自动程序合成中的性能而闻名。在本文中，我们评估GitHub Copilot在标准程序合成基准问题上的表现，并将所取得的结果与遗传编程文献中的结果进行比较。此外，我们讨论了这两种方法的性能。我们发现这两种方法在基准测试问题上的性能相当相似，然而，与GitHub Copilot相比，基于遗传编程的程序合成方法还不够成熟，无法支持程序员进行实际的软件开发。遗传编程通常需要大量昂贵的手工标记的训练案例，并且需要花费太多的时间来生成解决方案。此外，由遗传编程方法生成的源代码通常是臃肿的并且难以理解。对于未来的工作与遗传编程的程序合成，我们建议研究人员专注于提高执行时间，可读性和可用性。
2021-11-15 cs.LG cs.NE cs.SE
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
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
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
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
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
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
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
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
Improving a Parallel C++ Intel AVX-512 SIMD Linear Genetic Programming Interpreter
University College London（伦敦大学学院）
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
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
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
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
Less is More: A Call to Focus on Simpler Models in Genetic Programming for Interpretable Machine Learning
可解释性对于在高风险应用中安全和负责任地使用机器学习模型至关重要。到目前为止，演化计算（EC），特别是遗传编程（GP）的形式，代表了一个关键的使能器的可解释的机器学习（IML）模型的发现。在这篇简短的论文中，我们认为，在GP的IML的研究需要集中在低复杂度的模型的空间中搜索，通过调查新的搜索策略和重组方法。此外，根据我们将研究纳入临床实践的经验，我们认为研究应该努力设计更好的建模方法并追求可解释性，以便最终获得最有用的解决方案。
2022-04-05 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
Geometric Semantic Genetic Programming Algorithm and Slump Prediction
再生混凝土作为建筑材料的性能研究是当前国际上的一个重要课题。由于再生混凝土的组成复杂，传统的坍落度预测方法难以取得令人满意的结果。基于非线性预测方法的理论，结合再生混凝土的特点，提出了基于几何语义遗传编程（GSGP）的再生混凝土坍落度预测模型。通过对实际工程中不同配合比的再生混凝土坍落度进行计算，并将预测值与试验值进行对比，结果表明，该模型能够准确预测再生混凝土的坍落度。通过与其他几种非线性预测模型的比较，我们可以得出结论，GSGP具有更高的精度和可靠性比传统的方法。
2017-12-07 cs.NE
A Survey on Techniques of Improving Generalization Ability of Genetic Programming Solutions
在使用遗传编程（GP）进行经验建模的领域中，进化出具有良好泛化能力的解是非常重要的。GP解的泛化能力受到两个重要问题的影响：膨胀和过拟合。我们调查和分类现有的文献相关的GP研究社区使用不同的技术来处理这些问题。我们也指出了这些技术的局限性，如果有的话。此外，还讨论了不同膨胀控制方法的分类以及膨胀和过拟合的措施。我们相信，这项工作将是有用的GP从业者在以下方面：（i）更好地理解GP中的泛化概念（ii）比较现有的膨胀和过拟合控制技术和（iii）选择适当的方法来提高GP进化解决方案的泛化能力。
2012-11-06 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
Transformer Semantic Genetic Programming for Symbolic Regression
本文提出TSGP方法，利用生成式transformer作为搜索算子学习解的语义相似性，在符号回归中生成规模小且预测质量优于多种基准算法的解。
2025-01-30 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
Solving the Exponential Growth of Symbolic Regression Trees in Geometric Semantic Genetic Programming
几何语义遗传编程（GSGP）的进展表明，这种变体的遗传编程（GP）达到更好的结果比其前身的监督机器学习问题，特别是在符号回归的任务。然而，通过构造，几何语义交叉算子生成的个体随着代的数量呈指数增长，从而导致使用有限的解决方案。本文提出了一种新的个体简化方法--简约树GSGP（GSGP-Red）。GSGP-Red通过扩展几何语义操作符生成的函数来工作。所得到的扩展函数被保证为线性组合，在第二步骤中，其具有重复的结构和聚合的相应系数。在12个真实世界数据集上的实验表明，它不仅可以在竞争激烈的计算时间内创建更小和完全等效的个体，而且还可以将组成它们的节点数量平均减少58个数量级。
2018-04-18 cs.NE
Semantic variation operators for multidimensional genetic programming
多维遗传编程代表候选解决方案的程序集，从而提供了一个有趣的框架，利用积木识别。为了实现这一目标，我们研究了使用机器学习作为一种方式来偏见的程序的组件被提升，并提出了两个语义操作符来选择有用的构建块放置在交叉。我们提出的一个前向阶段交叉算子导致了一组回归问题的显着改善，并在一个大型基准研究中产生了最先进的结果。我们讨论了这种架构和其他方面的倾向，允许启发式搜索利用信息在进化过程中。最后，我们研究这些架构产生的数据表示的共线性和复杂性，以期解开应用程序中的变化因素。
2019-04-18 cs.NE
Long-Term Evolution of Genetic Programming Populations
我们进化二进制多路复用6树多达100000代进化一些程序超过一亿个节点。我们的无界长期进化实验LTEE GP似乎没有进化积木，但确实表明了膨胀的限制。我们确实看到了几十代甚至几百代的时期，那里的人口是100%功能性收敛的。树木大小的分布并不像理论所预测的那样。
2017-03-24 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
A Trillion Genetic Programming Instructions per Second
我们总结了如何3.0 GHz的16核AVX 512计算机可以解释相当于平均高达1103370000000 GPop/s。引用现有的出版物。实现重点放在并行计算、带宽限制和避免重复计算上。信息论表明，在数字计算中，失败的中断传播提供了巨大的速度提升，因为FDP和增量评估可以用于减少表型收敛种群中的适应度评估时间。相反，FDP可能是进化停滞的原因。因此，更广泛的进化计算、人工生命、非传统计算和软件工程社区可能需要避免深度嵌套。
2022-05-06 cs.NE
An Automatic Design Framework of Swarm Pattern Formation based on Multi-objective Genetic Programming
现有的群体模式形成方法大多依赖于预定义的基因调控网络（GRN）结构，需要设计者的先验知识，难以适应复杂多变的环境。为动态适应复杂多变的环境，提出了一种基于多目标遗传编程的群体模式形成自动设计框架。该框架不需要预先定义基于GRN的模型的结构，它应用一些基本的网络模体来自动构建基于GRN的模型。此外，多目标遗传编程（MOGP）与NSGA-II相结合，即MOGP-NSGA-II，以平衡基于GRN的模型的复杂性和准确性。在进化过程中，MOGP-NSGA-II和差分进化（DE）并行优化基于GRN的模型的结构和参数。仿真结果表明，该框架能够有效地演化出一些新的基于广义回归网络的模型，这些模型不仅结构简单、性能优良，而且对复杂多变的环境具有较强的鲁棒性。
2019-11-01 cs.NE
Exploiting Tournament Selection for Efficient Parallel Genetic Programming
遗传编程（GP）是一种计算密集型的技术，其本质上是并行的。因此，许多人尝试利用GPU等高度并行的硬件来改善其运行时间。然而，提高GP速度的第二种方法是通过诸如子树缓存之类的效率技术。然而，实现并行性能和效率是一项艰巨的任务。本文将展示一个效率节省GP兼容利用并行CPU硬件，利用比赛选择。显着的效率节省证明，同时保留了高性能并行执行GP的能力。事实上，GP的速度提高了74%，分类类型问题的峰值速率为960亿GPop/s。
2018-09-19 cs.NE
Interval Arithmetic and Interval-Aware Operators for Genetic Programming
通过遗传编程的符号回归是一种灵活的机器学习方法，不需要预先指定模型结构。然而，传统的符号回归方法需要使用保护算子，这可能导致反常的模型特征和较差的泛化能力。在本文中，我们重新审视区间算术作为一种可能的解决方案，让遗传编程进行回归使用无保护的运营商。使用标准的基准测试，我们表明，使用区间算术模型评估并不能防止无效的解决方案进入人口，这意味着搜索性能仍然受到影响。我们扩展了基本的区间算术的概念与“安全”的搜索运营商，将区间信息集成到他们的过程中，从而大大减少了搜索过程中产生的无效解决方案的数量。由此产生的算法能够更有效地识别出良好的模型，这些模型可以很好地推广到看不见的数据。最后，我们分析了基于区间算术的运算符相对于所提供的输入特征区间的准确性的敏感性。
2017-04-17 cs.NE
Continuous On-line Evolution of Agent Behaviours with Cartesian Genetic Programming
演化计算已成功地用于合成控制器的体现代理和多智能体系统一般。尽管如此，连续在线适应进化算法的手段仍然是探索不足，特别是在进化机器人领域之外。在本文中，我们提出了一个在线进化规划算法，搜索在代理设计空间的适当的行为政策，以应付底层环境。我们讨论了目前的问题，连续代理适应，提出了我们的在线进化模拟的进化测试床。
2014-07-02 cs.MA cs.NE
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
GPU-Accelerated Genetic Programming for Symbolic Regression with Beagle Framework
Michigan State University（密歇根州立大学）；Noblis, Inc.（Noblis公司）
本文基于Beagle框架，利用GPU加速遗传编程进行符号回归，通过对比实验展示了其在Feynman数据集上优于StackGP和PySR等CPU系统的性能。
2026-03-10 cs.NE
Combining Genetic Programming and Particle Swarm Optimization to Simplify Rugged Landscapes Exploration
大多数现实世界的优化问题很难用传统的统计技术或元分析来解决。其主要困难是存在大量的局部最优解，这可能会导致优化过程的早熟收敛。为了解决这个问题，我们提出了一种新的探试法，用于构建一个光滑的代理模型的原始功能。代理函数更容易优化，但保持了原始粗糙适应度景观的基本属性：全局最优值的位置。为了创建这样一个代理模型，我们考虑了一个线性遗传编程的方法增强了自调整适应函数。所提出的算法，称为GP-FST-PSO代理模型，取得了令人满意的结果，在搜索全局最优值和生产的原始基准函数的视觉近似（在2维的情况下）。
2022-06-07 cs.NE
Active Learning in Genetic Programming: Guiding Efficient Data Collection for Symbolic Regression
Michigan State University（密歇根州立大学）
本文研究了遗传规划中主动学习的计算不确定性和多样性方法，发现结合模型集成与微分熵不确定性度量能有效选择训练数据，并利用Pareto优化平衡不确定性与相关性多样性，指导符号回归的高效数据收集。
2023-07-31 cs.LG cs.NE
