Improving search in geometric semantic genetic programming

Luiz Otavio Vilas Boas Oliveira

Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/ESBF-AFWG3P

Full metadata record

DC Field	Value	Language
dc.contributor.advisor1	Gisele Lobo Pappa	pt_BR
dc.contributor.advisor-co1	Fernando Esteban Barril Otero	pt_BR
dc.contributor.referee1	Fernando Jose Von Zuben	pt_BR
dc.contributor.referee2	Ricardo Hiroshi Caldeira Takahashi	pt_BR
dc.contributor.referee3	Vinicius Veloso de Melo	pt_BR
dc.creator	Luiz Otavio Vilas Boas Oliveira	pt_BR
dc.date.accessioned	2019-08-11T12:11:34Z	-
dc.date.available	2019-08-11T12:11:34Z	-
dc.date.issued	2016-09-28	pt_BR
dc.identifier.uri	http://hdl.handle.net/1843/ESBF-AFWG3P	-
dc.description.abstract	Making Genetic Programming methods semantic-aware has been the focus of many works in the past years. Among these methods, Geometric Semantic GP (GSGP) acts on the syntax of the parent programs producing offspring respecting a semantic criterion. In this thesis we focus on the open issues of GSGP. We investigate the impact of the geometric semantic crossover with different distance functions and the possibility of optimally adjusting its coefficients. We also present the Sequential Symbolic Regression, an attempt to control the exponential growth of the individuals caused by the use of this operator. In addition, we propose a Geometric Dispersion framework to construct operators that move individuals to less dense areas of the search space. Last, we present a study of the impact of selecting training instances in order to reduce the semantic space dimensionality. All methods proposed showed GSGP search can be improved by adding simple and effective mechanisms to its current operators	pt_BR
dc.description.resumo	Nos últimos anos diversos trabalhos surgiram na tentativa de introduzir informação semântica no processo evolutivo da Programação Genética (PG). Em particular, a PG Semântica Geométrica (PGSG) foi proposta como um método que atua sobre a sintaxe dos programas pais, produzindo descendentes respeitando algum critério semântico.Nesta tese, focamos nas questões em aberto existentes na PGSG e métodos relacionados, aplicados à regressão simbólica. Apresentamos a definição de semântica adotada nesta tese e uma visão geral dos métodos que exploram a semântica enquadrados nesta definição. Em seguida, apresentamos e atacamos questões relativas à PGSG. Em primeiro lugar, investigamos o impacto do cruzamento semântico geométrico com diferentes funções de distância sobre a busca, e a possibilidade de ajustar de forma ótima seus coeficientes em vez de escolhê-los aleatoriamente. Os resultados mostram que a distância de Manhattan tem melhor desempenho em termos de erro no teste, e que a optimização dos coeficientes do cruzamento não conseguem melhorar significativamente a busca.Também apresentamos a Regressão Sequencial Simbólica (RSS), uma tentativa de controlar o crescimento exponencial do tamanho dos indivíduos causado pela utilização do cruzamento semântico geométrico. Depois de gerar uma função subótima com PG canônica, a RSS aproxima os erros de saída através de outra função, em uma iteração posterior, e concatena-as com o operador de cruzamento. Uma análise experimental mostra que a RSS tem um desempenho semelhante à PGSG, gerando soluções menores. Em adição, esta tese explora um arcabouço heurístico, chamado de dispersão geométrica (DG), para a construção de operadores que movem os indivíduos para áreas menos densas do espaço de busca, ao redor do vetor de saída alvo. Os resultados experimentais indicam que os operadores de dispersão geométrica podem melhorar a busca e espalhar as soluções ao redor da solução alvo. Por último, apresentamos um estudo do impacto da seleção de instâncias de treinamento, a fim de reduzir a dimensionalidade do espaço semântico. Duas abordagens são consideradas: (i) aplicar métodos de seleção de instâncias como uma etapa de pré-processamento, antes que os pontos de treinamento sejam apresentados à PGSG; (ii) incorporar a seleção de instâncias na evolução realizada pela PGSG. A análise experimental mostra que o desempenho da PGSG melhora com a redução de instâncias durante a evolução.	pt_BR
dc.language	Inglês	pt_BR
dc.publisher	Universidade Federal de Minas Gerais	pt_BR
dc.publisher.initials	UFMG	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Operadores semânticos geométricos	pt_BR
dc.subject	Operadores de dispersão	pt_BR
dc.subject	seleção de instâncias	pt_BR
dc.subject	Programação genética semântica	pt_BR
dc.subject.other	Programação genética (Computação)	pt_BR
dc.subject.other	Computação	pt_BR
dc.title	Improving search in geometric semantic genetic programming	pt_BR
dc.type	Tese de Doutorado	pt_BR
Appears in Collections:	Teses de Doutorado

Files in This Item:

File	Description	Size	Format
luizotaviovilasboasoliveira.pdf		8.52 MB	Adobe PDF	View/Open

Show simple item record