非正式反例驱动遗传编程中的代际计算缩减
Generational Computation Reduction in Informal Counterexample-Driven Genetic Programming
AI总结：
本文提出非正式CDGP方法，仅使用用户提供的训练数据应用反例驱动遗传编程，并证明其比标准GP更快找到软件综合解决方案且显著提升性能。
摘要：
反例驱动遗传编程（CDGP）使用以形式约束提供的规范来生成用于评估进化程序的训练用例。它也被扩展为结合形式约束和用户提供的训练数据来解决符号回归问题。在这里，我们展示了如何在没有形式规范的情况下，仅使用用户提供的训练数据来应用 CDGP 背后的思想。我们展示了这种被称为“非正式 CDGP”的方法在软件综合问题上的应用。我们的结果表明，非正式 CDGP 比标准 GP 更快地找到解决方案（即程序执行次数更少）。此外，我们提出了非正式 CDGP 的两种新变体，并发现其中一种在约一半的测试问题上产生了明显更多成功的运行。最后，我们通过将非正式 CDGP 与使用训练集的静态子样本进行比较，研究了将反例训练用例添加到训练集中是否有用，并发现添加反例显著提高了性能。
英文摘要：
Counterexample-driven genetic programming (CDGP) uses specifications provided as formal constraints to generate the training cases used to evaluate evolving programs. It has also been extended to combine formal constraints and user-provided training data to solve symbolic regression problems. Here we show how the ideas underlying CDGP can also be applied using only user-provided training data, without formal specifications. We demonstrate the application of this method, called ``informal CDGP,'' to software synthesis problems. Our results show that informal CDGP finds solutions faster (i.e. with fewer program executions) than standard GP. Additionally, we propose two new variants to informal CDGP, and find that one produces significantly more successful runs on about half of the tested problems. Finally, we study whether the addition of counterexample training cases to the training set is useful by comparing informal CDGP to using a static subsample of the training set, and find that the addition of counterexamples significantly improves performance.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
