22、笛卡尔遗传编程中变异变体的优化与黏菌算法实验研究

笛卡尔遗传编程中变异变体的优化与黏菌算法实验研究

笛卡尔遗传编程变异算法评估

在对笛卡尔遗传编程（CGP）的研究中，为了评估多种变异算法在不同问题定义下的性能，采用了分类、回归和符号回归基准数据集的组合。这些数据集是根据相关研究建议选取的，其中分类和回归问题使用了从UCI仓库下载的Abalone、Breast Cancer、Credit、Forest Fire、Page Block和Spect等数据集，符号回归问题则采用了Nguyen - 7、Pagie - 1和Vlad - 4等基准。

为了实证测试不同的变异策略，进行了多项实验。实验中记录了平均适应度值以及CGP收敛所需的平均评估次数，即达到最佳适应度结果所需的评估次数，并将这些值与标准等效变异策略进行比较。对于分类数据集上训练的模型，采用了贝叶斯分类器比较方法，结果以三元组（pdefault, pequal, pextend）呈现，分别表示标准分类器更优、差异在实际等效区域内以及改进变异策略更优的概率。若贝叶斯比较不适用（仅适用于分类模型），则使用α = 0.05的Mann - Whitney - U检验，结果以三元组（U, Z, p）报告，其中U为Mann - Whitney - U值，Z为z统计量，p为p值。

不同概率变异策略的影响

为了测试将单一变异率p拆分为活动节点和非活动节点的两个变异率pa和pi的影响，进行了多组不同变异率及其组合的实验。单一变异率p取值为{0.03, 0.1, 0.15, 0.2, 0.25}，双变异率实验中，pi取值为{0.1, 0.25, 0.5, 0.75, 1.0}，pa取值为{0.03, 0.1, 0.15, 0.2, 0.25}。为节省空间，p和pa值分别平均