基于 DEAP 的遗传编程实战：多变量回归问题求解

0. 前言

我们已经使用 DEAP 开发了各种问题的遗传算法 (Genetic Algorithms, GA) 解决方案。接下来，我们将使用 DEAP 来探索 GA 的子集，遗传编程 (Genetic Programming, GP)。GP 遵循与 GA 的相同原则，并采用许多相同的遗传算子。GA 和 GP 之间的关键区别在于基因或染色体的结构以及如何评估适应度，遗传编程和基因表达式编程 (Gene Expression Programming, GEP) 可以用于解决各种自动化和控制问题。在本节中，我们将介绍如何使用遗传编程来解决回归问题。GEP 也可以应用于从优化到搜索的其他问题。但回归和深度学习 ( Deep learning, DL) 更相关，我们可以使用类似 DL 的方式解决相同的问题。

1. 遗传编程原理

遗传编程 (Genetic Programming, GP) 是遗传算法的一种特殊形式。在这种特殊形式下，候选解(或个体)旨在找到最适合我们目的的解决方案，即实际的计算机程序。换句话说，当我们应用 GP