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
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
One-Class Classification for Anomaly Detection with Kernel Density Estimation and Genetic Programming Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Plastic Fitness Predictors Coevolved with Cartesian Programs

verfasst von : Michal Wiglasz, Michaela Drahosova

Erschienen in: Genetic Programming

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Coevolution of fitness predictors, which are a small sample of all training data for a particular task, was successfully used to reduce the computational cost of the design performed by cartesian genetic programming. However, it is necessary to specify the most advantageous number of fitness cases in predictors, which differs from task to task. This paper introduces a new type of directly encoded fitness predictors inspired by the principles of phenotypic plasticity. The size of the coevolved fitness predictor is adapted in response to the learning phase that the program evolution goes through. It is shown in 5 symbolic regression tasks that the proposed algorithm is able to adapt the number of fitness cases in predictors in response to the solved task and the program evolution flow.

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 Genetic Programming-Based Imputation Method for Classification with Missing Data
Nächstes Kapitel Search-Based SQL Injection Attacks Testing Using Genetic Programming
Literatur
1.
Baldwin, J.M.: A new factor in evolution. Am. Nat. 30(354), 441–451 (1896)CrossRef
2.
Ellefsen, K.O.: Balancing the costs and benefits of learning ability. In: Advances in Artificial Life, ECAL 2013, vol. 12, pp. 292–299. MIT Press (2013)
3.
Ellefsen, K.O.: Evolved sensitive periods in learning. In: Advances in Artificial Life, ECAL 2013, vol. 12, pp. 409–416. MIT Press (2013)
4.
Hillis, W.D.: Co-evolving parasites improve simulated evolution as an optimization procedure. Physica D 42(1), 228–234 (1990)CrossRef
5.
Imamura, K., Foster, J.A., Krings, A.W.: The test vector problem and limitations to evolving digital circuits. In: Proceedings of the 2nd NASA/DoD Workshop on Evolvable Hardware, pp. 75–79. IEEE Computer Society (2000)
6.
Jin, Y.: A comprehensive survey of fitness approximation in evolutionary computation. Soft Comput. J. 9(1), 3–12 (2005)CrossRef
7.
8.
Popovici, E., Bucci, A., Wiegand, R.P., de Jong, E.D.: Coevolutionary principles. In: Rozenberg, G., Bäck, T., Kok, J.N. (eds.) Handbook of Natural Computing, pp. 988–1028. Springer, New York (2011)
9.
Schmidt, M.D., Lipson, H.: Coevolution of fitness predictors. IEEE Trans. Evol. Comput. 12(6), 736–749 (2008)CrossRef
10.
Sikulova, M., Hulva, J., Sekanina, L.: Indirectly encoded fitness predictors coevolved with cartesian programs. In: Machado, P., Heywood, M.I., McDermott, J., Castelli, M., García-Sánchez, P., Burelli, P., Risi, S., Sim, K. (eds.) Genetic Programming. LNCS, vol. 9025. Springer, Heidelberg (2015)
11.
Sikulova, M., Sekanina, L.: Acceleration of evolutionary image filter design using coevolution in cartesian GP. In: Coello, C.A.C., Cutello, V., Deb, K., Forrest, S., Nicosia, G., Pavone, M. (eds.) PPSN 2012, Part I. LNCS, vol. 7491, pp. 163–172. Springer, Heidelberg (2012)CrossRef
12.
Šikulová, M., Sekanina, L.: Coevolution in cartesian genetic programming. In: Moraglio, A., Silva, S., Krawiec, K., Machado, P., Cotta, C. (eds.) EuroGP 2012. LNCS, vol. 7244, pp. 182–193. Springer, Heidelberg (2012)CrossRef
Metadaten
Titel
Plastic Fitness Predictors Coevolved with Cartesian Programs
verfasst von
Michal Wiglasz
Michaela Drahosova
Copyright-Jahr
2016
Buch
Genetic Programming

Print ISBN: 978-3-319-30667-4

Electronic ISBN: 978-3-319-30668-1

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-30668-1_11