[논문 리뷰] Gene Expression Programming: a New Adaptive Algorithm for Solving Problems

Cândida Ferreira|ArXiv.org|2001. 02. 25.

Evolutionary Algorithms and Applications참고 문헌 20인용 수 2,016

한 줄 요약

gene expression programming (GEP)을 소개하는 것으로, 표현 트리를 인코딩하는 선형 게놈을 진화시키는 유전자형/표현형 유전 알고리즘으로써, 효율적인 프로그램 생성과 다양한 문제 해결을 가능하게 한다.

ABSTRACT

Gene expression programming, a genotype/phenotype genetic algorithm (linear and ramified), is presented here for the first time as a new technique for the creation of computer programs. Gene expression programming uses character linear chromosomes composed of genes structurally organized in a head and a tail. The chromosomes function as a genome and are subjected to modification by means of mutation, transposition, root transposition, gene transposition, gene recombination, and one- and two-point recombination. The chromosomes encode expression trees which are the object of selection. The creation of these separate entities (genome and expression tree) with distinct functions allows the algorithm to perform with high efficiency that greatly surpasses existing adaptive techniques. The suite of problems chosen to illustrate the power and versatility of gene expression programming includes symbolic regression, sequence induction with and without constant creation, block stacking, cellular automata rules for the density-classification problem, and two problems of boolean concept learning: the 11-multiplexer and the GP rule problem.

연구 동기 및 목표

• gene expression programming을 자동 컴퓨터 프로그램 생성을 위한 새로운 기법으로 도입한다.
• 게놈과 표현 트리를 분리하는 것이 기존의 적응 방법과 비교하여 탐색 효율성을 어떻게 향상시키는지 시연한다.
• GEP의 다양성을 기호 회귀(symbolic regression), 시퀀스 유도(sequence induction), 블록 쌓기(block stacking), 셀룰러 오토마타, 그리고 불 학습(boolean learning)과 같은 문제들에 걸쳐 보여준다.

제안 방법

• 머리(head)와 꼬리(tail)로 구성된 선형 유전자로 염색체를 표현한다.
• 돌연변이, 전이(transposition), 재조합 연산에 의해 처리되는 염색체로부터 표현 트리를 인코딩한다.
• 효율적인 진화와 강건한 프로그램 선택을 가능하게 하기 위해 분리된 게놈과 표현 트리를 사용한다.
• 염색체를 수정하기 위해 단일 위치 재조합(one-point) 및 이중 위치 재조합(two-point)을 포함한 유전 연산자를 적용한다.

실험 결과

연구 질문

• RQ1 유전자형-표현형 분리가 컴퓨터 프로그램의 진화를 얼마나 더 효율적으로 만들 수 있는가?
• RQ2 GEP가 기호 회귀(symbolic regression), 시퀀스 유도(sequence induction), 불 학습(boolean learning)을 포함한 다양한 문제 유형을 효과적으로 해결할 수 있는가?
• RQ3 선형 염색체로부터 정확한 표현 트리의 진화를 가장 잘 촉진하는 유전 연산자는 무엇인가?

주요 결과

• GEP는 머리(head)와 꼬리(tail)가 있는 선형 염색체로부터 표현 트리를 인코딩한다.
• 이 방법은 탐색 공간을 탐색하기 위해 돌연변이와 다양한 전이(transpositions) 및 재조합을 사용한다.
• 게놈/트리 분리는 기존의 적응 기법을 능가하는 높은 효율성을 제공한다.
• GEP는 기호 회귀(symbolic regression), 시퀀스 유도(sequence induction), 블록 쌓기(block stacking), 밀도 분류를 위한 셀룰러 오토마타 규칙, 그리고 11-멀티플렉서/GP 규칙 문제를 포함한 문제들에서 시연된다.