Genetic programming using adaptable stochastic flow of control

• Autorzy: Rataj A.

Warianty tytułu

PL

Programowanie genetyczne z użyciem probabilistycznego przepływu sterowania

• Języki publikacji: EN

Abstrakty

EN

This paper discusses a replacement of a typical, deterministic flow of control in the evolving program with a probabilistic one, which is then adapted using a supervised learning, until it hopefully converges back to a deterministic flow of control. The probabilistic flow of control allows for a continuous modification of the evolved program, which internally can consist of a set of competing paths of execution.

PL

Artykuł omawia zamianę typowego, deterministycznego przepływu sterowania w programie tworzonym algorytmem genetycznym, na probabilistyczny przepływ sterowania, który z kolei jest adaptowany poprzez uczenie nadzorowane, aż ewentualnie w kolejnych iteracjach uzyska zbieżność do szczególnego przypadku deterministycznego przepływu sterowania. Stochastyczny przepływ sterowania umożliwia płynną modyfikację tworzonego programu, który wewnętrznie jest złożony ze zbioru konkurujących ze sobą sposobów wykonania. Metoda jest testowana dla prostego przypadku, w teście szacowane są również optymalne wartości współczynników decydujących o adaptacji przepływu sterowania.

Słowa kluczowe

EN

genetic programming; flow of control; supervised learning

• Wydawca: Instytut Informatyki Teoretycznej i Stosowanej Polskiej Akademii Nauk
• Czasopismo: Theoretical and Applied Informatics
• Rocznik: 2010
• Tom: Vol. 22, No. 4
• Strony: 261--272
• Opis fizyczny: Bibliogr. 13 poz., rys.

Twórcy

autor

Rataj A.

• Institute of Theoretical and Applied Computer Science, Bałtycka 5, Gliwice, Poland,

Bibliografia

• 1. C. Boehm, G. Jacopini: Flow diagrams, turing machines and languages with only two formation rules, Comm. ACM, 9(5), 366-371, 1966.
• 2. M. Dorigo, C. Blum: Ant colony optimization theory: A survey, Theoretical Computer Science, 344(2-3), 243-278, 2005.
• 3. J. Green: Automatic programming with ant colony optimization, Loughborough University,70-77, 2004.
• 4. H. Kenneth, Kay A. Robbins, Jeffery von Ronne: FIFTH: A Stack Based GP Language for Vector Processing, EuroGP, Valencia, Spain, 2007.
• 5. John R. Koza, R. Poli: Genetic Programming. In Edmund K. Burke and Graham Kendall editors: Search Methodologies: Introductory Tutorials in Optimization and Decision Support Techniques, chapter 5, pages 127-164, Springer 2005, ISBN 0-387-23460-8.
• 6. L. A. Levin: Universal sequential search problems, Problems of Information Transmission, 9(3), 265-266, 1973.
• 7. L. A. Levin: Randomness conservation inequalities: Information and independence in mathematical theories, Information and Control, 61, 15-37, 1984.
• 8. Sean Luke: Essentials of Metaheuristics, 2009, available at http://cs.gmu.edu/»sean/book/metaheuristics/.
• 9. Riccardo Poli, William B. Langdon, Nicholas Freitag McPhee: A field guide to genetic programming. Published via http://lulu.com and freely available at http://www.gpfield-guide.org.uk, 2008. URL http://www.gp-field-guide.org.uk. (With contributions by J. R. Koza).
• 11. Sergio A. Rojas, Peter J. Bentley: A grid-based ant colony system for automatic program synthesis. In Late Breaking Papers at the 2004 Genetic and Evolutionary Computation Conference, 2004.
• 12. J. Schmidhuber, J. Zhao, N. Schraudolph: Reinforcement learning with self-modifying policies. In Learning to learn, pages 293-309, Kluwer, 1997a.
• 13. J. Schmidhuber, J. Zhao, M. Wiering: Shifting inductive bias with success-story algorithm, adaptive Levin search, and incremental self-improvement, Machine Learning, 28, 105-130, 1997b.