Renascence架構原理遺傳規劃演算法

請先看一下遺傳演算法：

遺傳規劃/遺傳程式設計(genetic programming)是遺傳演算法的乙個分支，與遺傳演算法中每個個體是一段染色體編碼不同，它的個體是乙個電腦程式。

維基上說它在70年代就已經有人實踐，不過正式提出應該還是在john r. koza教授於2023年發表的博士**中。

遺傳規劃最早的應用是符號回歸，比如為了擬合 z=f(x,y)，它生成乙個初始函式 g(x,y)，然後以g(x,y)與z的相關係數為適應度，進行選擇交叉變異，最終得到最優的乙個函式g』，再做一次線性回歸即可。

如下是gp表示的乙個例子，自然，還有其他的表達方式：

線型：gep(gene expression programming)，

圖型：cgp(cartesian genetic programming)。

以樹型為例：

這棵樹表示乙個函式，就是上面所述的g(x,y)，至於怎麼用就見仁見智了，確定好用法之後設定乙個計算適應度的方案，就可以跑遺傳規劃了。

在遺傳規劃中，選擇運算元與遺傳演算法的相同，交叉變異需要根據表達方式來。

樹形的交叉實現是這樣：

變異實現是這樣：

遺傳規劃的目標是得到最優的電腦程式，其自由度是機器學習演算法中最高的，幾乎能處理任何問題。當然，能處理問題不代表能解決，解決問題還是需要精確度達到一定要求的。

renascence架構使用遺傳規劃演算法，去動態決定adf的公式。但與上面所描述的gp演算法來說，有很大的不一樣：

1.renascence架構中，每個函式有自己的輸入輸出型別，子節點的輸出型別必須要匹配父節點的輸入型別。

2.renascence生成的電腦程式的實現依賴於下層的函式庫，不是完整的電腦程式。

由於這些不同，生成和變異演算法都需要先用回溯演算法找出所有可能解，然後再隨機挑選，這點比起傳統的遺傳規劃演算法來說複雜不少。

樹形實現最容易實現，renascence架構中目前採用的是樹形的表達方案，又因為交叉運算元實現起來比較麻煩且容易造成膨脹，捨棄了交叉運算元，採用進化策略(evolution strategy)的演算法做優化。當前架構所用的結構優化演算法事實上還有很大的優化空間。

維普上的genetic programming的介紹：

遺傳演算法的介紹（這篇文章講得較為基礎，很多變種優化沒有考慮，不過適合入門）：

這篇文章講gep比較詳細，本文沒有看懂可以看這篇：

Renascence架構原理 遺傳規劃演算法