Indirectly Encoded Fitness Predictors Coevolved with Cartesian Programs

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F15%3APU116946" target="_blank" >RIV/00216305:26230/15:PU116946 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-319-16501-1_10" target="_blank" >http://dx.doi.org/10.1007/978-3-319-16501-1_10</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-16501-1_10" target="_blank" >10.1007/978-3-319-16501-1_10</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Indirectly Encoded Fitness Predictors Coevolved with Cartesian Programs

Popis výsledku v původním jazyce

We investigate coevolutionary Cartesian genetic programming that coevolves fitness predictors in order to diminish the number of target objective vector (TOV) evaluations, needed to obtain a satisfactory solution, to reduce the computational cost of evolution. This paper introduces the use of coevolution of fitness predictors in CGP with a new type of indirectly encoded predictors. Indirectly encoded predictors are operated using the CGP and provide a variable number of TOVs used for solution evaluation during the coevolution. It is shown in 5 symbolic regression problems that the proposed predictors are able to adapt the size of TOVs array in response to a particular training data set.

Název v anglickém jazyce

Indirectly Encoded Fitness Predictors Coevolved with Cartesian Programs

Popis výsledku anglicky

We investigate coevolutionary Cartesian genetic programming that coevolves fitness predictors in order to diminish the number of target objective vector (TOV) evaluations, needed to obtain a satisfactory solution, to reduce the computational cost of evolution. This paper introduces the use of coevolution of fitness predictors in CGP with a new type of indirectly encoded predictors. Indirectly encoded predictors are operated using the CGP and provide a variable number of TOVs used for solution evaluation during the coevolution. It is shown in 5 symbolic regression problems that the proposed predictors are able to adapt the size of TOVs array in response to a particular training data set.

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)

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2015

Kód důvěrnosti údajů

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

Název statě ve sborníku

Genetic Programming

ISBN

978-3-319-16500-4

ISSN

—

e-ISSN

—

Počet stran výsledku

13

Strana od-do

113-125

Název nakladatele

Springer International Publishing

Místo vydání

Berlin

Místo konání akce

Kodaň

Datum konání akce

8. 4. 2015

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000361758600010