【报告内容】

汇报人：孙东磊

汇报单位：太原理工大学

主题：《The influence of population size in geometric semantic GP》

1、Introduction

2、Population size: previous and related work

3、Geometric semantic operators

4、Experimental study

5. Conclusions

【报告总结】

一、待解决问题的描述

在已有的工作中发现种群规模这个参数对GA和GP性能有很大的影响，但是作为新一代GP——几何语义遗传规划，目前并未有研究关于种群规模对GSGP有何影响。并且在以往传统GP与种群规模的研究中未曾探索种群规模对GP泛化性能的影响。本文主要针对种群规模对几何语义遗传规划的性能影响情况，以及对GSGP泛化性的影响展开研究。

二、相关创新方案

1、探索种群规模对几何语义遗传规划（GSGP）性能的影响；

2、研究种群规模与GSGP系统泛化性能的关系；

三、实验总结

实验数据集：

本次实验在8个不同的数据集上进行，其中有6个数据集是现实问题，有两个数据集是综合问题。

实验主要配置：

1)文中测试的种群规模有 1、2、5、10、20、50、100、200、500 和 1000 十种大小类型；

2)交叉率：0.9、变异率：0.1、选择操作：锦标赛选择法；

3)算术运算符：+、-、*、/；

4)适应度评估：输出值和目标值之间的均方根误差（RMSE）作为适应度值；

5)每次实验独立运行100次，取中位数作为最终适应度。

6）对比实验主要分为两大组进行，每一组对比实验又分为两种情况，具体如下：

(1)、探索种群规模对GSGP性能的影响

在训练集上运行实验，分为仅使用变异算子、同时使用交叉和变异算子两种情况；

(2)、探索种群规模对GSGP泛化性能的影响

在测试集上进行实验，同样分为仅使用变异算子、同时使用交叉和变异算子两种情况；

实验结果：

总的来说，在现实生活中的问题上，人口少导致训练集的性能更好，但在测试集上的性能因问题而异：就是说在具有大量变量的数据集中，使用大量种群获得的模型在未知数据上表现出更好的性能，而在以相对较少的变量为特征的数据集中，通过使用较小的种群规模值可以获得更好的泛化能力。此外，当考虑综合问题时，较大的种群规模值代表了在训练和测试实例上实现高质量解决方案的最佳选择。

还有一点就是无论是在使用几何语义交叉和突变，还是仅使用突变的情况下，以上这些结果均成立，并且在质量上是基本相同的。

四、未来工作

1、可以尝试深入研究特征数量如何影响 GSGP 模型的泛化能力。

2、尝试开发一个种群规模可变的 GSGP 系统，自适应的调节种群规模对GSGP的影响。

报告时间：2023年05月27日19:30

腾讯会议：371 3868 6615

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)