线性遗传编程常数

在内存寄存器中明确定义常数与通过遗传操作符对初始种子个体中的常数进行变异,这两种方法各有什么优缺点?

我从一本关于线性遗传编程的书中读到以下内容:

在我们的实现中,所有寄存器都保存浮点值。内部,常数存储在写保护的寄存器中,即不能成为目标寄存器。因此,可能的常数集保持固定。

我想知道,这种方法是否比最初随机生成常数并将其整合到程序中,然后通过训练过程进行改进的方法更好。

谢谢


回答:

从你使用“内存寄存器”这个术语来看,我假设你指的是一种增强了内存的遗传编程技术。

即使使用了内存寄存器,通常也不会使用常数。相反,像遗传编程中的内存这样的技术可以让你缓慢地变异内存寄存器,而不是进行使内存变得无关紧要的突然变化。尽管如此,通常会通过随机初始化引入值,以便你可以通过随机重启来尝试逃离局部最优解。

或许你在考虑将所有内存寄存器设置为零或某些人为估计的值?

编辑:

听起来他们有一些希望在所有代中保持不变的值。个人认为,如果这些值在所有实例中共享,这种值最好由你的遗传算法所处的环境来表示。

如果这些值在实例之间共享,那么这可能反映了在设置中用一些随机值来初始化种群的意图,这些值在给定的运行中不应被允许进化(至少,在给定的运行中)。

第一种类型的常数(环境常数)如果需要在复杂背景下进化,并且希望首先在固定环境中获得良好的适应度,然后再尝试在更复杂的可变环境中获得良好的适应度,那么这种常数是有用的。

第二种类型的常数(每个DNA实例的常数)我没有使用过,但我猜如果分析人员已经识别出一些“易变”的变量,这些变量过于混乱而不允许持续进化,那么在运行中将它们“保护”为常数可能会有用。

Related Posts

使用LSTM在Python中预测未来值

这段代码可以预测指定股票的当前日期之前的值,但不能预测…

如何在gensim的word2vec模型中查找双词组的相似性

我有一个word2vec模型,假设我使用的是googl…

dask_xgboost.predict 可以工作但无法显示 – 数据必须是一维的

我试图使用 XGBoost 创建模型。 看起来我成功地…

ML Tuning – Cross Validation in Spark

我在https://spark.apache.org/…

如何在React JS中使用fetch从REST API获取预测

我正在开发一个应用程序,其中Flask REST AP…

如何分析ML.NET中多类分类预测得分数组?

我在ML.NET中创建了一个多类分类项目。该项目可以对…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注