关于遗传编程中交叉算子与后代选择的成功率
摘要：遗传程序设计对于解决回归、分类和时间序列预测等实际应用中的问题是一种强大的启发式搜索技术。关于遗传编程的理论描述已经取得了很大的进展，比如基因组理论，但是遗传编程的内部动态和成功因素仍然不完全了解。特别是，不同交叉算子与后代选择的组合效果在很大程度上还是未知的。 本文探讨了著名的遗传编程交叉算子在应用于基准问题时产生更好后代的能力。我们得出结论：标准交叉算子（子树交换）与后代选择的组合是一个很好的默认选择，而且当不施加解决方案大小约束时，使用后代选择和随机选择交叉算子可以提高算法的性能，以达到最佳解决方案质量。
作者：Gabriel Kronberger and Stephan Winkler and Michael Affenzeller and Andreas Beham and Stefan Wagner
论文ID：1309.5896
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2013-09-24