【报告内容】

汇报人：李蒙恩

汇报单位：太原理工大学

主题：ES-GP: An Ensemble Surrogate-Assisted Genetic

Programming Approach to Image Classification

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1. 待解决的问题描述

1) GP图像分类依赖于对真实图像的前向推理进行适应度评估，在大量迭代下会产生极高的计算成本，并且难以实现。

2) 现有的单智能体模型（GLS-GP等）的泛化能力较差：没有一个单一的智能体可以适应所有的图像任务，全局/局部单模型的预测精度不足。

3) 现有的代理训练集只支持单树GP，无法适应表达能力更强、成本更高的多树GP。全局和局部静态等权的融合不能动态平衡全局勘探和局部开采的预测权与演化阶段。

2.相关创新方案

1) 为了解决单个代理难以适应各种图像分类任务的问题，构建了一个由一个全局代理和三个局部代理组成的集成代理架构，以提高GP个体适应度的预测精度。

2) 为了解决静态等权融合无法适应不同进化阶段智能体性能差异的局限性，设计了一种基于真实评估时间的动态加权融合策略，以自适应地平衡每个智能体的贡献。

3) 为了解决现有代理仅支持单树GP的局限性，使用扩展的树特征提取方法构建通用的代理训练集，实现了单树和多树图像分类GP方法的统一加速。

3.实验总结

本文旨在显著加快基于GP的图像分类方法的学习/训练过程，同时保持分类精度。通过提出的集成代理辅助GP方法，即ES-GP，成功实现了这一目标。ES-GP将一个全局代理模型和三个局部代理模型集成在一个集成中，动态地为这四个基础代理分配权重，并根据集成结果预测GP个体的适应度。它取代了进化学习中80%的真实适应性评估，并且仍然可以找到最好的GP个体。

4.未来工作

本文利用代理模型在提高基于GP的图像分类方法的计算效率方面取得了长足的进步。虽然这些改进值得注意，但重要的是要认识到，现有的基于GP的图像分类方法主要依靠CPU进行计算。目前，在GPU上实现这些方法的研究还处于起步阶段。考虑到通过使用GPU有可能获得更大的性能提升，我们相信这是未来研究的一个有前途的方向。通过探索基于GPU的图像分类方法在GPU上的实现，可以进一步提高其计算效率，拓宽其在现实场景中的适用性。

报告时间：2026年07月03日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)