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”

Multi-Gene Grammatical Evolution for Symbolic Regression

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F15%3A00231186" target="_blank" >RIV/68407700:21230/15:00231186 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://radio.feld.cvut.cz/conf/poster2015/Proceedings_of_Poster_2015.zip" target="_blank" >http://radio.feld.cvut.cz/conf/poster2015/Proceedings_of_Poster_2015.zip</a>

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Multi-Gene Grammatical Evolution for Symbolic Regression

  • Popis výsledku v původním jazyce

    Genetic Programming is now a mature technology for solving difficult non-linear regression tasks, where other approaches often fail to produce good solutions. However, there are still issues with the performance of GP in symbolic regression tasks. Recentresearch has shown the power of utilizing linear regression and multiple expression trees to create more accurate solutions. Grammatical Evolution is a variant of GP which uses grammar to create the solutions, but no research so far has investigated thepossibility of using multiple genes in it. In this article we propose a multi-gene algorithm based upon Grammatical Evolution and show its superior performance on a classical symbolic regression benchmark.

  • Název v anglickém jazyce

    Multi-Gene Grammatical Evolution for Symbolic Regression

  • Popis výsledku anglicky

    Genetic Programming is now a mature technology for solving difficult non-linear regression tasks, where other approaches often fail to produce good solutions. However, there are still issues with the performance of GP in symbolic regression tasks. Recentresearch has shown the power of utilizing linear regression and multiple expression trees to create more accurate solutions. Grammatical Evolution is a variant of GP which uses grammar to create the solutions, but no research so far has investigated thepossibility of using multiple genes in it. In this article we propose a multi-gene algorithm based upon Grammatical Evolution and show its superior performance on a classical symbolic regression benchmark.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    JC - Počítačový hardware a software

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2015

  • 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

    Proceedings of the 19th International Scientific Student Conferenece POSTER 2015

  • ISBN

    978-80-01-05499-4

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    5

  • Strana od-do

    1-5

  • Název nakladatele

    Czech Technical University in Prague

  • Místo vydání

    Praha

  • Místo konání akce

    Praha

  • Datum konání akce

    14. 5. 2015

  • Typ akce podle státní příslušnosti

    EUR - Evropská akce

  • Kód UT WoS článku