Plastic Fitness Predictors Coevolved with Cartesian Programs

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F16%3APU121578" target="_blank" >RIV/00216305:26230/16:PU121578 - isvavai.cz</a>

Výsledek na webu

<a href="http://www.fit.vutbr.cz/research/pubs/all.php?id=11001" target="_blank" >http://www.fit.vutbr.cz/research/pubs/all.php?id=11001</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-30668-1_11" target="_blank" >10.1007/978-3-319-30668-1_11</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Plastic Fitness Predictors Coevolved with Cartesian Programs

Popis výsledku v původním jazyce

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 proposes to introduce 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 phase of learning 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.

Název v anglickém jazyce

Plastic Fitness Predictors Coevolved with Cartesian Programs

Popis výsledku anglicky

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 proposes to introduce 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 phase of learning 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.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/GA14-04197S" target="_blank" >GA14-04197S: Pokročilé metody evolučního návrhu složitých číslicových obvodů</a><br>

Návaznosti

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

Rok uplatnění

2016

Kód důvěrnosti údajů

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

Název statě ve sborníku

19th European Conference on Genetic programming

ISBN

978-3-319-30667-4

ISSN

—

e-ISSN

—

Počet stran výsledku

16

Strana od-do

164-179

Název nakladatele

Springer International Publishing

Místo vydání

Berlin

Místo konání akce

Porto

Datum konání akce

30. 3. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—