10、动态遗传编程适应度案例的使用探索

动态遗传编程适应度案例的使用探索

1. 相关工作

1.1 遗传编程中的适应度案例

在遗传编程（GP）里，个体的适应度通常借助一组适应度案例来计算，而且适应度案例的使用方式极为关键。适应度案例的规模大小不一，有的问题仅需少量适应度案例，而有的则多达数万。

确定GP系统所需适应度案例数量的方法有多种。比如，理性试验分配算法是个不错的选择。在新一代产生之前，仅用系统可用适应度案例的一部分来评估个体；当个体有机会在某个选择机制（如锦标赛选择）中获胜却失败时，再在新的适应度案例上进一步评估。

另一种方法基于统计学和信息论，像中心极限定理和随机变量的熵。研究人员在离散适应度值案例上测试了该理论框架，结果表明其估计与实验结果相符。当GP系统使用的适应度案例数量至少达到该方法的估计值时，系统能取得可靠结果；反之则不然。

若适应度案例数量众多，就需采用某种机制来确定使用的案例数量和具体案例。以下是一些已提出的方法：
- 基于拓扑的机制 ：依据个体对适应度案例的解决情况，促进对某些案例的使用。
- 历史子集选择 ：根据精英个体对适应度案例的解决能力，选取部分案例。
- 主动数据选择 ：使用小训练案例集，在搜索过程中，将这些子集重新组合，并从整个集合中选取少量适应度案例进行扩充。

此外，还有一些采样方法，如交错采样和随机交错采样，在某些代使用单个适应度案例，在其他代使用整个训练集。最近提出的字典序选择算法，在每次亲代选择时随机打乱适应度案例，保留在第一个适应度案例上表现最佳的个体，该方法扩展到实值