受进化理论启发的结构性突变丰富了群体的性能和多样性
摘要：语法引导的遗传编程（GGGP）利用进化理论的各种见解来自主设计给定任务的解决方案。最近来自进化生物学的见解可以进一步改进GGGP算法。在本文中，我们应用来自促进变异理论以及关于异质突变率和突变效应的知识来改进变异算子。我们将这种新的变异方法称为促进突变（FM）。我们测试FM在神经网络优化器的图像分类进化中的性能，这是进化计算中一个相关的任务，对于机器学习领域具有重要意义。我们将FM和FM与交叉操作（FMX）与典型的突变方案进行比较，以评估该方法的好处。我们发现FMX特别在关键指标上提供了统计上的改进，从而创建了一个更优秀的优化器（平均测试准确率+0.48％），提高了解决方案的平均质量（平均种群适应度+50％），发现了更多多样且高质量的行为（平均每次运行发现400个高质量解决方案）。另外，FM和FMX可以减少进化运行中的适应度评估次数，在某些情况下降低计算成本。
作者：Stefano Tiso, Pedro Carvalho, Nuno Lourenc{c}o, Penousal Machado
论文ID：2302.00559
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-07-13