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

Semantic Geometric Initialization

verfasst von : Tomasz P. Pawlak, Krzysztof Krawiec

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

A common approach in Geometric Semantic Genetic Programming (GSGP) is to seed initial populations using conventional, semantic-unaware methods like Ramped Half-and-Half. We formally demonstrate that this may limit GSGP’s ability to find a program with the sought semantics. To overcome this issue, we determine the desired properties of geometric-aware semantic initialization and implement them in Semantic Geometric Initialization (Sgi) algorithm, which we instantiate for symbolic regression and Boolean function synthesis problems. Properties of Sgi and its impact on GSGP search are verified experimentally on nine symbolic regression and nine Boolean function synthesis benchmarks. When assessed experimentally, Sgi leads to superior performance of GSGP search: better best-of-run fitness and higher probability of finding the optimal program.

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 Geometric Semantic Genetic Programming Is Overkill
Nächstes Kapitel Patterns for Constructing Mutation Operators: Limiting the Search Space in a Software Engineering Application
Fußnoten
1
Points given by \(x_{k}=\frac{1}{2}(a+b)+\frac{1}{2}(b-a)\cos (\frac{2k-1}{2n}\pi ),k=1..n\), where [a, b] is the range of training set, and n is number of data points. Using Chebyshev nodes minimizes the likelihood of Runge’s phenomenon [25].
 
Literatur
1.
Beadle, L., Johnson, C.G.: Semantic analysis of program initialisation in genetic programming. Genet. Program Evolvable Mach. 10(3), 307–337 (2009)CrossRef
2.
Burden, R., Faires, J.: Numerical Analysis. Cengage Learning, Boston (2010)MATH
3.
Castelli, M., Henriques, R., Vanneschi, L.: A geometric semantic genetic programming system for the electoral redistricting problem. Neurocomputing 154, 200–207 (2015)CrossRef
4.
Castelli, M., Vanneschi, L., Silva, S.: Prediction of the unified Parkinson’s disease rating scale assessment using a genetic programming system with geometric semantic genetic operators. Expert Syst. Appl. 41(10), 4608–4616 (2014)CrossRef
5.
Geman, S., Bienenstock, E., Doursat, R.: Neural networks and the bias/variance dilemma. Neural Comput. 4(1), 1–58 (1992)CrossRef
6.
7.
Jackson, D.: Phenotypic diversity in initial genetic programming populations. In: Esparcia-Alcázar, A.I., Ekárt, A., Silva, S., Dignum, S., Uyar, A.Ş. (eds.) EuroGP 2010. LNCS, vol. 6021, pp. 98–109. Springer, Heidelberg (2010)CrossRef
8.
Kanji, G.: 100 Statistical Tests. SAGE Publications, London (1999)
9.
Koza, J.R.: Genetic Programming: On the Programming of Computers by Means of Natural Selection. MIT Press, Cambridge (1992)MATH
10.
Krawiec, K.: Medial crossovers for genetic programming. In: Moraglio, A., Silva, S., Krawiec, K., Machado, P., Cotta, C. (eds.) EuroGP 2012. LNCS, vol. 7244, pp. 61–72. Springer, Heidelberg (2012)CrossRef
11.
Krawiec, K., Lichocki, P.: Approximating geometric crossover in semantic space. In: GECCO 2009, 8–12 July 2009, pp. 987–994. ACM, Montreal (2009)
12.
Krawiec, K., Pawlak, T.: Locally geometric semantic crossover: a study on the roles of semantics and homology in recombination operators. Genet. Program Evolvable Mach. 14(1), 31–63 (2013)CrossRef
13.
Looks, M.: On the behavioral diversity of random programs. In: GECCO 2007, 7–11 July 2007, vol. 2, pp. 1636–1642. ACM Press, London (2007)
14.
15.
McDermott, J., White, D.R., Luke, S., Manzoni, L., Castelli, M., Vanneschi, L., Jaskowski, W., Krawiec, K., Harper, R., De Jong, K., O’Reilly, U.M.: Genetic programming needs better benchmarks. In: GECCO 2012, 7–11 July 2012, pp. 791–798. ACM, Philadelphia, Pennsylvania, USA (2012)
16.
Moraglio, A., Krawiec, K., Johnson, C.G.: Geometric semantic genetic programming. In: Coello, C.A.C., Cutello, V., Deb, K., Forrest, S., Nicosia, G., Pavone, M. (eds.) PPSN 2012, Part I. LNCS, vol. 7491, pp. 21–31. Springer, Heidelberg (2012)CrossRef
17.
Moraglio, A., Mambrini, A.: Runtime analysis of mutation-based geometric semantic genetic programming for basis functions regression. In: GECCO 2013, 6–10 July 2013, pp. 989–996. ACM, Amsterdam, The Netherlands (2013)
18.
Moraglio, A., Mambrini, A., Manzoni, L.: Runtime analysis of mutation-based geometric semantic genetic programming on Boolean functions. In: FOGA, 16–20 Jan 2013, pp. 119–132. ACM, Adelaide, Australia (2013)
19.
Moraglio, A., Sudholt, D.: Runtime analysis of convex evolutionary search. In: Soule, T., Moore, J.H. (eds.) GECCO, pp. 649–656. ACM (2012)
20.
21.
Pawlak, T.P.: Geometric semantic genetic programming is overkill. In: Heywood, M., McDermott, J., Castelli, M., Costa, E., Sim, K. (eds.) EuroGP 2016. LNCS, vol. 9594, pp. 246–260. Springer, Switzerland (2016)
22.
Pawlak, T.P., Krawiec, K.: Properties of progress and fitness bounds for geometric semantic genetic programming. Genet. Program Evolvable Mach., 1–19 (2015) (Online first)
23.
Pawlak, T.P., Wieloch, B., Krawiec, K.: Review and comparative analysis of geometric semantic crossovers. Genet. Program Evolvable Mach. 16(3), 351–386 (2015)CrossRef
24.
Pawlak, T.P., Wieloch, B., Krawiec, K.: Semantic backpropagation for designing search operators in genetic programming. IEEE Trans. Evol. Comput. 19(3), 326–340 (2015)CrossRef
25.
Runge, C.: Über empirische funktionen und die interpolation zwischen äquidistanten ordinaten. Zeitschrift für Mathematik und Physik 46, 224–243 (1901)MATH
26.
Saniee, K.: A Simple Expression for Multivariate Lagrange Interpolation, pp. 1–9. Society for Industrial and Applied Mathematics (2007)
Metadaten
Titel
Semantic Geometric Initialization
verfasst von
Tomasz P. Pawlak
Krzysztof Krawiec
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_17