An Improved Single Node Genetic Programming for Symbolic Regression

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21730%2F15%3A00239851" target="_blank" >RIV/68407700:21730/15:00239851 - isvavai.cz</a>

Výsledek na webu

<a href="http://www.scitepress.org/DigitalLibrary/PublicationsDetail.aspx?ID=MIWqy6ryvpE=&t=1" target="_blank" >http://www.scitepress.org/DigitalLibrary/PublicationsDetail.aspx?ID=MIWqy6ryvpE=&t=1</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.5220/0005598902440251" target="_blank" >10.5220/0005598902440251</a>

Jazyk výsledku

angličtina

Název v původním jazyce

An Improved Single Node Genetic Programming for Symbolic Regression

Popis výsledku v původním jazyce

We have proposed three extensions of the standard Single Node GP, namely (1) a selection strategy for choosing nodes to be mutated based on the depth of the nodes, (2) operators for placing a compact version of the best tree to the beginning and to the end of the population, and (3) a local search strategy with multiple mutations applied in each iteration. All the proposed modifications have been experimentally evaluated on five symbolic regression problems and compared with standard GP and SNGP. The achieved results are promising showing the potential of the proposed modifications to significantly improve the performance of the SNGP algorithm

Název v anglickém jazyce

An Improved Single Node Genetic Programming for Symbolic Regression

Popis výsledku anglicky

We have proposed three extensions of the standard Single Node GP, namely (1) a selection strategy for choosing nodes to be mutated based on the depth of the nodes, (2) operators for placing a compact version of the best tree to the beginning and to the end of the population, and (3) a local search strategy with multiple mutations applied in each iteration. All the proposed modifications have been experimentally evaluated on five symbolic regression problems and compared with standard GP and SNGP. The achieved results are promising showing the potential of the proposed modifications to significantly improve the performance of the SNGP algorithm

Druh

D - Stať ve sborníku

CEP obor

JC - Počítačový hardware a software

OECD FORD obor

—

Projekt

<a href="/cs/project/GA15-22731S" target="_blank" >GA15-22731S: Symbolická regrese pro posilované učení ve spojitých prostorech</a><br>

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

Proceedings of the 7th International Joint Conference on Computational Intelligence

ISBN

978-989-758-157-1

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

244-251

Název nakladatele

INSTICC Press

Místo vydání

Setúbal

Místo konání akce

Lisabon

Datum konání akce

12. 11. 2015

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—