分析下采样和选择之间的交互作用
摘要：基因编程系统通常使用大型训练集来评估候选解的质量进行选择。然而，对大型训练集进行评估的计算成本很高。长期以来，为了减少评估的计算成本，使用抽样训练集在各种应用领域中已经得到广泛应用。事实上，最近的研究表明，无论是随机抽样还是有意识的抽样，都可以显著提高使用词典排序父代选择算法的基因编程系统的问题解决成功率。我们使用PushGP框架在两种其他常用选择方法（适应度比例和锦标赛选择）的背景下，对八个基因编程问题（四个程序合成和四个象征回归）进行实验，以测试这些抽样技术是否也可以提高问题解决的成功率。我们证实，抽样可以使适应度比例和锦标赛选择的问题解决成功率受益。然而，抽样改善问题解决成功率的问题数量因选择方案而异，这表明抽样的影响取决于问题和选择方案的选择。令人惊讶的是，我们发现与锦标赛和适应度比例选择相比，与词典排序选择相结合时，抽样最一致地有益。总体而言，我们的结果表明，在解决基于测试的基因编程问题时应更加经常考虑抽样。
作者：Ryan Boldi, Ashley Bao, Martin Briesch, Thomas Helmuth, Dominik Sobania, Lee Spector, Alexander Lalejini
论文ID：2304.07089
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-04-17