A Field Guide To Genetic Programming 2

A Field Guide To Genetic Programming

Em 1954, o GP começou com os algoritmos evolutivos usado pela primeira vez por Nils Aall Barricelli e aplicados em simulações evolutivas. Em 1960 e início de 1970, os algoritmos evolutivos foram reconhecidos como métodos de otimização. Em 1964, Lawrence J. Fogel, um dos primeiros profissionais da metodologia de GP, aplica os algoritmos evolucionários para a dificuldade de encontrar autômatos de estado finito.

Mais tarde, o trabalho relacionado com GP, surgiu a comunidade de os sistemas de classificação baseado em aprendizagem, a qual montou um conjunto de regras que descrevem as políticas ótimas pros processos de decisão de Markov. Este trabalho foi em seguida ampliado, em vasto capacidade, por John R. Koza., um proponente principal de GP que foi pioneiro pela aplicação de GP pela otimização de vários e complexos problemas de pesquisa.

  • Porque é transparente e não se engana
  • 2 Tipos de fatos 2.1 Tipos escalares
  • Mediapro UK
  • Como pular as atualizações do Windows inoportunas
  • dois Zumbis Marvel
  • PIM/m: 256 processadores CISC, 80 MB de memória
  • Josh Groban In Concert – 2002

Gianna Giavelli, um estudante de Koza, logo após, foi o pioneiro no exercício de GP como uma técnica para modelar a frase do DNA. Na década dos 1990’s, GP foi usado principalmente pra resolver problemas relativamente claro, em razão de é muito caro computacionalmente.

Recentemente, GP tem produzido novos e excelentes resultados em áreas como a computação quântica, projeto eletrônico, jogos, planejamento e pesquisa, devido as melhorias na tecnologia, o GP e o crescimento exponencial da potência da CPU. Estes resultados incluem a reprodução ou o desenvolvimento de muitas invenções posteriores ao ano 2000. GP assim como foi aplicado aos programas de computadores, como essa de de hardware evolutivo.

O desenvolvimento de uma teoria de GP foi muito custoso, pelo que, pela década de 1990’s GP foi considerado uma espécie de pária entre as técnicas de procura. GP desenvolve programas de computador, tradicionalmente representados na memória, como estruturas de árvores.

As árvores podem ser facilmente avaliados de modo recursiva. Cada nó da árvore tem uma atividade como operador e cada nó terminal tem um operando, pelo que as expressões matemáticas são fáceis de criar e avaliar. Assim, tradicionalmente GP coopera o emprego de linguagem de programação que, naturalmente, introduz as estruturas de árvore (tendo como exemplo, Lisp; novas linguagens de programação funcionais bem como são adequados). Os principais operadores utilizados em algoritmos evolutivos, como este o GP são de cruzamento e mutação. O cruzamento é aplicado a um sujeito por intermédio de simples trocas entre um de seus nós, por outro nó de outro sujeito da população. Com uma representação baseada em árvores, a substituição de um nó implica a substituição de todo o ramo.

Isto confere maior efetividade ao operador de cruzamento. As expressões resultantes do cruzamento são muito diferentes de seus pais iniciais. A mutação de um cidadão da população. Pode-Se substituir um nó inteiro no indivíduo selecionado, ou pode simplesmente substituir a informação do nó.