TinyGP遗传规划系统详解-优快云博客

本文链接：https://blog.youkuaiyun.com/weixin_31591833/article/details/146928726

TinyGP遗传规划系统详解

背景简介

TinyGP是一个使用C语言实现的遗传规划系统，后来被重写为Java版本。它被设计用于解决符号回归问题，其核心目标是通过遗传操作生成能够近似目标函数的程序。TinyGP以其实现的高效性和占用空间小而著称，在遗传规划领域具有一定的影响力。

TinyGP系统概述

TinyGP采用稳态遗传策略，意味着每一代中只生成新的个体来替换当前种群中表现最差的个体。系统利用淘汰赛选择法进行选择，并使用负淘汰赛方法来确定被替换的个体。在遗传操作方面，TinyGP使用子树交叉和点突变来引入种群的遗传多样性。

参数设置

系统允许用户设置多个参数，例如种群大小（POPSIZE）、最大程序深度（DEPTH）、最大代数（GENERATIONS）、交叉概率（CROSSOVER PROB）以及点突变的节点概率（PMUT PER NODE）。这些参数作为静态类变量实现，可以在每次运行时打印出来以供调试和分析。

TinyGP的工作原理

TinyGP利用简单的线性树表示法来存储和操作程序。每个节点被编码为一个字节，并且程序可以被看作是一个字符向量。系统使用递归来创建初始种群、执行程序和打印程序。尽管使用全局变量不是最佳实践，但为了减小可执行文件的大小，TinyGP故意使用了少量的全局变量。

适应度函数

TinyGP的适应度函数计算的是程序输出和期望输出之间的绝对差异之和的负数。系统会最大化这个适应度值，以找到最佳的程序。

输入数据文件

TinyGP使用纯ASCII格式的输入文件，包含了一系列的适应度案例。每个案例定义了一组输入值和一个目标输出值。系统通过读取这些案例来评估程序的适应度。

TinyGP的Java源代码

TinyGP的Java源代码展现了其核心逻辑，包括种群初始化、适应度评估、遗传操作和结果统计等。尽管代码简洁，但作者指出它应该对任何有能力的Java程序员都易于理解，即便他们之前没有实现过遗传规划系统。

代码解析

初始化种群 ：使用grow方法初始化种群。
适应度评估 ：每个程序的适应度通过fitnessfunction方法计算得出。
遗传操作 ：包括子树交叉（crossover）和点突变（point mutation）。
统计输出 ：每一代结束后，系统会打印出当前代数、平均适应度、最佳个体适应度等统计数据。

总结与启发

TinyGP作为一个精简的遗传规划系统，为理解和实现遗传规划提供了良好的基础。通过研究TinyGP的源代码，我们可以更深入地理解遗传规划算法的实现细节，以及如何优化遗传算法以提高效率和减少资源消耗。尽管它在某些方面进行了简化，但TinyGP依然能够有效地解决复杂的符号回归问题，为遗传规划的研究和应用提供了有价值的参考。