Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Lifetime Adaptation in Genetic Programming for the Symbolic Regression

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216275%3A25530%2F19%3A39915385" target="_blank" >RIV/00216275:25530/19:39915385 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1007/978-3-030-31362-3_33" target="_blank" >http://dx.doi.org/10.1007/978-3-030-31362-3_33</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/978-3-030-31362-3_33" target="_blank" >10.1007/978-3-030-31362-3_33</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Lifetime Adaptation in Genetic Programming for the Symbolic Regression

  • Popis výsledku v původním jazyce

    This paper focuses on the use of hybrid genetic programming for the supervised machine learning method called symbolic regression. While the basic version of GP symbolic regression optimizes both the model structure and its parameters, the hybrid version can use genetic programming to find the model structure. Consequently, local learning is used to tune model parameters. Such tuning of parameters represents the lifetime adaptation of individuals. Choice of local learning method can accelerate the evolution, but it also has its disadvantages in the form of additional costs. Strong local learning can inhibit the evolutionary search for the optimal genotype due to the hiding effect, in which the fitness of the individual only slightly depends on his inherited genes. This paper aims to compare the Lamarckian and Baldwinian approaches to the lifetime adaptation of individuals and their influence on the rate of evolution in the search for function, which fits the given input-output data.

  • Název v anglickém jazyce

    Lifetime Adaptation in Genetic Programming for the Symbolic Regression

  • Popis výsledku anglicky

    This paper focuses on the use of hybrid genetic programming for the supervised machine learning method called symbolic regression. While the basic version of GP symbolic regression optimizes both the model structure and its parameters, the hybrid version can use genetic programming to find the model structure. Consequently, local learning is used to tune model parameters. Such tuning of parameters represents the lifetime adaptation of individuals. Choice of local learning method can accelerate the evolution, but it also has its disadvantages in the form of additional costs. Strong local learning can inhibit the evolutionary search for the optimal genotype due to the hiding effect, in which the fitness of the individual only slightly depends on his inherited genes. This paper aims to compare the Lamarckian and Baldwinian approaches to the lifetime adaptation of individuals and their influence on the rate of evolution in the search for function, which fits the given input-output data.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2019

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Computational statistics and mathematical modeling methods in intelligent systems : proceedings of 3rd computational methods in systems and software 2019, Vol. 2

  • ISBN

    978-3-030-31361-6

  • ISSN

    2194-5357

  • e-ISSN

  • Počet stran výsledku

    8

  • Strana od-do

    339-346

  • Název nakladatele

    Springer Nature Switzerland AG

  • Místo vydání

    Cham

  • Místo konání akce

    Zlín

  • Datum konání akce

    10. 9. 2019

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku