【报告内容】

汇报人：刘苏南

汇报单位：太原理工大学

主题：Fitness Landscape Optimization Makes Stochastic Symbolic Search by Genetic Programming Easier

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1.待解决的问题描述

1）传统优化FL，难度大，复杂度高；GP好不好用，取决于FL平不平滑（局部最优少不少）。以前人们也想弄出更好的FL，但都是靠人工手动设计，这需要极强的特定领域知识（domain knowledge），太费精力。手工设计时，需要根据经验设定条件，如决定用哪些函数符，规定树的深度等，改适应度函数，改搜索空间

2）以往的符号搜索，本质上优化解空间，领域结构，适应度函数都是在优化适应度景观，但是都没有直接对适应度景观进行明确优化。本文首次将适应度景观作为研究对象。据我们，所知，本文首次尝试对符号搜索的适应度景观进行显式优化。

2.相关创新方案

1）提出了FLO，一种适应度景观优化方法，能够自动设计出优于人工设计景观的 GP 搜索适应度景观。我们通过优化符号解的邻域结构来优化景观。我们在监督学习和组合优化问题上验证了所提方法的有效性。FLO 的主要思想是：首先将符号编索引为整数，其次 基于这些符号索引优化适应度景观（FL）。我们通过重新 排列符号解的邻居来优化 FL，即改变符号的索引。

2）本文首次尝试明确地自动优化随机符号搜索的适应度景观（FL）。所提出的适应度景观优化（FLO）方法具有足够的通用性，可以应用于其他领域

3.实验总结

本研究提出了FLO，一种适应度景观优化方法，能够自动设计出优于人工设计景观的 GP 搜索适应度景观。 PSEFS-MOEA通过优化符号解的邻域结构来优化景观。先建立符号索引，在通过随机梯度下降的方式优化符号索引。从而完成对适应度景观的优化。

4.未来工作

未来的工作中，可以进一步改进在优化后适应度景观上的搜索机制（例如自适应局部搜索），以提升其有效性。需要注意的是，由于FLO的运行开销会随原语 集合的增大而增加，因此未来还需要进一步降低这一开销

报告时间：2026年09月11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)