On the Effectiveness of Crossover Operators in Cartesian Genetic Programming

Dieses Kapitel untersucht die langjährige Herausforderung effektiver Crossover-Operatoren in der kartesischen genetischen Programmierung (CGP), einem Paradigma, das aufgrund seiner zerstörerischen Natur mit traditionellen Crossover-Methoden nur begrenzten Erfolg hatte. Die Exploration beginnt mit einem Überblick über die gerichtete acyclische Graphendarstellung (DAG) des CGP, die die Wiederverwendung von Zwischenergebnissen und Mehrfachausgängen ermöglicht, aber auch einzigartige Herausforderungen für Crossover-Betreiber darstellt. Das Kapitel geht den Annahmen und Beschränkungen traditioneller Crossover-Operatoren wie N-Punkt, Uniform und Realwert-Crossover nach, die oft wesentliche Abhängigkeiten stören oder die semantischen Beziehungen zwischen Knoten nicht erfassen. Um diese Probleme anzugehen, werden in diesem Kapitel neue Crossover-Methoden vorgestellt und bewertet, darunter Deep Neural Crossover (DNC) und Subgraph Crossover, die darauf abzielen, sinnvolle Unterstrukturen zu erhalten und die evolutionäre Dynamik zu verbessern. Die experimentellen Ergebnisse unterstreichen die Wettbewerbsfähigkeit bestimmter Crossover-Methoden wie Subgraph Crossover und die Herausforderungen, vor denen andere wie DNC stehen. Das Kapitel präsentiert auch eine detaillierte Analyse der evolutionären Dynamik, einschließlich der Auswirkungen von Crossover- und Mutationsereignissen auf Fitness, aktive Knoten und semantische Vielfalt. Darüber hinaus werden die Implikationen von Positionsverzerrungen und die potenziellen Vorteile einer semantischen Perspektive für Crossover-Betreiber diskutiert. Indem dieses Kapitel die zerstörerischen Auswirkungen traditioneller Crossover-Operatoren beleuchtet und innovative Alternativen präsentiert, bietet es wertvolle Erkenntnisse, um den Bereich der genetischen Programmierung voranzutreiben und die Leistung von CGP zu verbessern.