11、动态遗传编程适应度案例与多维多序列比对新方法

动态遗传编程适应度案例与多维多序列比对新方法

动态遗传编程适应度案例分析

传统上，遗传编程（GP）程序的适应度值是通过一组适应度案例计算得出的。常见做法是在搜索开始时就将所有适应度案例呈现给GP系统，这种方法被称为静态适应度案例（SFC）。而本文提出了一种动态适应度案例（DFC）方法，该方法通过随时间聚合案例来构建适应度案例，实现了增量搜索。

生成个体数量分析

为了对比在动态优化问题（DOPs）中使用提出的Kendall Tau距离（KTD）方法与通过用新遗传物质替换种群中个体来促进多样性的任意方法的优势，需要分析这两种方法生成的个体数量。

在图1中，对于函数f5 - f8，第二行和第四行展示了使用动态适应度案例时，任意方法（黑色填充矩形）和提出的Kendall方法（白色填充矩形）生成的个体平均数量以及标准差。由于空间限制，仅展示了使用DFC方法在这些函数上，以及在平滑和“突变”变化情况下的结果，这些结果比SFC方法更好。

以函数f5 - f8发生平滑变化为例（图1第二行），可以明显看到KTD方法生成的个体数量（白色填充条形）显著低于任意方法生成的GP程序数量（黑色填充条形）。这是因为平滑变化发生时，提出的方法能够通过生成较少的个体来捕捉这种变化。对于其他函数也观察到了相同的趋势。

此外，KTD方法能够捕捉变化的程度。例如，对比图1第二行和第四行中平滑变化和“突变”变化时生成的个体数量，KTD方法在平滑变化时生成的个体数量比“突变”变化时少。虽然这两种变化下生成个体数量的差异较小，但这是由于本文提出的变化类型所致，而非KTD方法无法捕捉变化。为了说明这一点，采用了更激进的变化，即函数f1的最后一个符号每50代从“+”