9、遗传编程中基于语义的交叉与动态适应度案例的研究

遗传编程中基于语义的交叉与动态适应度案例的研究

在遗传编程领域，为了提升程序合成的效果，研究人员不断探索新的方法和策略。本文将介绍基于语义的交叉方法在程序合成中的应用，以及动态适应度案例在静态和动态优化问题中的使用。

基于语义的交叉实验

实验参数设置

实验采用了一系列特定的参数设置，具体如下表所示：
| 参数 | 设置 |
| — | — |
| 运行次数 | 50 |
| 代数 | 100 |
| 种群大小 | 500 |
| 选择方法 | Lexicase |
| 交叉概率 | 0.9 |
| 变异概率 | 0.05 |
| 精英大小 | 1 |
| 节点限制 | 250 |
| 每种类型的变量数 | 3 |
| 最大执行时间 | 1 s |
| 最大尝试次数 | 10 |

这些参数设置与以往研究基本相同，只是减少了代数。实验使用了HeuristicLab进行执行。

基准问题选择

选择了不同难度的基准问题，包括Collatz Number、Compare String Lengths、Grade、Number IO和Super Anagrams。这些问题是由Helmuth等人提出的通用程序合成基准套件中的一部分，属于计算机科学编程入门问题。之前的研究中，Collatz Number尚未被解决，Compare String Lengths、Grade和Super Anagrams的解决成功率较低，而Number IO相对简单，主要用于检查系统是否正常工作。

实验