Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Online Model Selection for Restricted Covariance Matrix Adaptation Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

On the Use of Semantics in Multi-objective Genetic Programming

verfasst von : Edgar Galván-López, Efrén Mezura-Montes, Ouassim Ait ElHara, Marc Schoenauer

Erschienen in: Parallel Problem Solving from Nature – PPSN XIV

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Research on semantics in Genetic Programming (GP) has increased dramatically over the last number of years. Results in this area clearly indicate that its use in GP can considerably increase GP performance. Motivated by these results, this paper investigates for the first time the use of Semantics in Muti-objective GP within the well-known NSGA-II algorithm. To this end, we propose two forms of incorporating semantics into a MOGP system. Results on challenging (highly) unbalanced binary classification tasks indicate that the adoption of semantics in MOGP is beneficial, in particular when a semantic distance is incorporated into the core of NSGA-II.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A General-Purpose Framework for Genetic Improvement
Nächstes Kapitel Semantic Forward Propagation for Symbolic Regression
Literatur
1.
Asuncion, A., Newman, D.J.: UCI Machine Learning Repository (2007)
2.
Beadle, L., Johnson, C.: Semantically driven crossover in genetic programming. In: 2008 IEEE Congress on Evolutionary Computation CEC 2008. IEEE World Congress on Computational Intelligence, pp. 111–116, June 2008
3.
Bhowan, U., Johnston, M., Zhang, M., Yao, X.: Evolving diverse ensembles using genetic programming for classification with unbalanced data. IEEE Trans. Evol. Comput. 17(3), 368–386 (2013)CrossRef
4.
Coello, C.A.C., Lamont, G.B., Veldhuizen, D.A.V.: Evolutionary Algorithms for Solving Multi-objective Problems. Genetic and Evolutionary Computation. Springer, Secaucus (2006)MATH
5.
Deb, K.: Multi-Objective Optimization Using Evolutionary Algorithms. Wiley, New York (2001)MATH
6.
Deb, K., Pratap, A., Agarwal, S., Meyarivan, T.: A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Trans. Evol. Comput. 6, 182–197 (2002)CrossRef
7.
Galván-López, E.: Efficient graph-based genetic programming representation with multiple outputs. Intl. J. Autom. Comput. 5(1), 81–89 (2008)CrossRef
8.
Galván-López, E., Cody-Kenny, B., Trujillo, L., Kattan, A.: Using semantics in the selection mechanism in genetic programming: a simple method for promoting semantic diversity. In: 2013 IEEE Congress on Evolutionary Computation, pp. 2972–2979, June 2013
9.
Koza, J.R.: Genetic Programming: On the Programming of Computers by Means of Natural Selection. The MIT Press, Cambridge (1992)MATH
10.
Koza, J.R.: Human-competitive results produced by genetic programming. Genet. Prog. Evol. Mach. 11(3–4), 251–284 (2010)CrossRef
11.
Krawiec, K., Pawlak, T.: Locally geometric semantic crossover: a study on the roles of semantics and homology in recombination operators. Genet. Prog. Evol. Mach. 14, 31–63 (2013)CrossRef
12.
McPhee, N.F., Ohs, B., Hutchison, T.: Semantic building blocks in genetic programming. In: O’Neill, M., Vanneschi, L., Gustafson, S., Esparcia Alcázar, A.I., De Falco, I., Della Cioppa, A., Tarantino, E. (eds.) EuroGP 2008. LNCS, vol. 4971, pp. 134–145. Springer, Heidelberg (2008)CrossRef
13.
Uy, N.Q., Hoai, N.X., O’Neill, M., McKay, R.I., Galván-López, E.: On the roles of semantic locality of crossover in genetic programming. Inf. Sci. 235, 195–213 (2013). Data-Based Control, Decision, Scheduling and Fault DiagnosticsMathSciNetCrossRefMATH
14.
Uy, N.Q., Hoai, N.X., ONeill, M., McKay, R., Phong, D.N.: On the roles of semantic locality of crossover in genetic programming: application to real-valued symbolic regression. Genet. Prog. Evol. Mach. 12(2), 91–119 (2011)CrossRef
15.
Vanneschi, L., Castelli, M., Silva, S.: A survey of semantic methods in genetic programming. Genet. Prog. Evol. Mach. 15(2), 195–214 (2014)CrossRef
16.
Zitzler, E., Brockhoff, D., Thiele, L.: The hypervolume indicator revisited: on the design of pareto-compliant indicators via weighted integration. In: Obayashi, S., Deb, K., Poloni, C., Hiroyasu, T., Murata, T. (eds.) EMO 2007. LNCS, vol. 4403, pp. 862–876. Springer, Heidelberg (2007)CrossRef
Metadaten
Titel
On the Use of Semantics in Multi-objective Genetic Programming
verfasst von
Edgar Galván-López
Efrén Mezura-Montes
Ouassim Ait ElHara
Marc Schoenauer
Copyright-Jahr
2016
Buch
Parallel Problem Solving from Nature – PPSN XIV

Print ISBN: 978-3-319-45822-9

Electronic ISBN: 978-3-319-45823-6

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-45823-6_33

Premium Partner

    Bildnachweise