19、遗传编程超启发式中的知识转移与分类算法自动化设计

遗传编程超启发式中的知识转移与分类算法自动化设计

1. 遗传编程超启发式中的知识转移

在解决一系列复杂的现实问题时，知识转移在遗传编程超启发式（GPHH）中起着重要作用。以不确定容量弧路由问题为例，研究了多种在不同场景之间转移子树和特征重要性的方法。

• 特征重要性转移的有效性研究
  • 为了研究提出的特征重要性转移的有效性，将带有特征重要性转移的GPHH（GPHH - FIT）与基于子树的转移方法以及无转移的遗传编程（GP）进行了比较。结果显示，GPHH - FIT的表现未达预期，其性能曲线远不如基于子树的转移方法，几乎与无转移的GP相同。
  • 从终端的概率分布来看，在Uval9D场景下，GPHH - FIT获得的终端概率差异不大，最高概率约为0.11（CFH和CTD），最低约为0.04（CTT1和DEM1），这种差异可能不足以使GPHH - FIT表现优于无转移的GP。
• GPHH - FIT性能不佳的原因
  • 知识层面差异 ：特征重要性相较于子树是一种高层次的知识，它仅指出哪些终端更重要，但缺少终端如何组合成有用构建块的信息。因此，GPHH - FIT仍需（受特征重要性影响）从头搜索有前景的构建块，而基于子树的转移方法可以直接继承有用的构建块。
  • 重要性度量不准确 ：GPHH - FIT中终端重要性的度量基于源域中贡献更大的终端更重要且应更频繁采样的假设，但这一假设可能不成立。例如，