10、遗传编程算法详解

遗传编程算法详解

1. 遗传编程算法参数

遗传编程（GP）算法的性能受多个参数影响，如代数、交叉和变异率以及个体最大规模。一般而言，这些参数的最优值取决于目标问题，通常在初步实验中确定，这与大多数数据挖掘方法的应用情况类似。

2. 终端和函数集及闭包属性

设计 GP 算法时，一个关键问题是选择终端和函数集中的元素。这些元素的最优选择高度依赖具体问题，但一组通用的小型逻辑和算术函数在许多应用中表现良好。例如，算术和逻辑运算符（如加法、减法、乘法、除法、或、与、异或）可作为函数集的起点，它们能解决的问题范围十分惊人，在分类、机器人控制和符号回归等问题中都有不错的应用。

在选择终端和函数集元素时，设计者需权衡表达能力和计算效率。一方面，集合应包含足够元素以表达优质候选解；另一方面，过多元素会使候选解搜索空间过大，增加找到优质解的难度。

此外，终端和函数必须遵循闭包属性，即函数集里的每个函数都要能处理其输入值（可以是终端或其他函数的输出）。例如，除法运算符需处理除以零的情况，通常可让其在这种情况下返回给定值而非报错。早期 GP 系统受闭包属性限制，只能处理一种数据类型，但新的 GP 系统已在克服这一问题。

在回归和分类这两种数据挖掘任务中，预测属性的数据类型对终端和函数集的设计有重要影响。若所有预测属性数据类型相同，可在函数集中仅使用接收和输出该数据类型的运算符和函数，以满足闭包属性。

• 回归任务 ：若预测属性为连续值，可在函数集中包含适合应用领域的数学函数，终端集包含预测属性和随机常数生成器。当给定一个需预测目标属性值的示例时，树状个体的叶子节点会用示例