Souběžné učení v kartézském genetickém programování

Abstract

Tato práce se zabývá integrací souběžného učení do kartézského genetického programování. Úlohu symbolické regrese se již povedlo vyřešit kartézským genetickým programováním, ovšem tato metoda není dokonalá. Je totiž relativně pomalá a při některých úlohách má tendenci nenalézat požadované řešení. Ale se souběžným učením lze vylepšit některé z~těchto vlastností. V této práci je představena plasticita genotypu, která je založena na Baldwinově efektu. Tento přístup umožňuje jedinci změnit jeho fenotyp během generace. Souběžné učení bylo testováno na pěti rozdílných úlohách pro symbolickou regresi. V experimentech se ukázalo, že pomocí souběžného učení lze dosáhnout až 15násobného urychlení evoluce oproti standardnímu kartézskému genetickému programování bez učení.This thesis deals with the integration of co-learning into cartesian genetic programming. The task of symbolic regression was already solved by cartesian genetic programming, but this method is not perfect yet. It is relatively slow and for certain tasks it tends not to find the desired result. However with co-learning we can enhance some of these attributes. In this project we introduce a genotype plasticity, which is based on Baldwins effect. This approach allows us to change the phenotype of an individual while generation is running. Co-learning algorithms were tested on five different symbolic regression tasks. The best enhancement delivered in experiments by co-learning was that the speed of finding a result was 15 times faster compared to the algorithm without co-learning.