Development of estimation of distribution algorithms for linear genetic programming

• Autor(a) principal: Sotto, Leo Francoso Dal Piccol [UNIFESP]
• Data de Publicação: 2020
• Tipo de documento: Tese
• Idioma: eng
• Título da fonte: Repositório Institucional da UNIFESP
• Texto Completo: https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.jsf?popup=true&id_trabalho=10889466; https://repositorio.unifesp.br/xmlui/handle/11600/64929
• topic: Programação Genética Linear; Estimação De Algoritmos De Distribuição; Regressão; Classificação; Circuitos Digitais; Linear Genetic Programming; Estimation Of Distribution Algorithms; Regression; Classification; Digital Circuits

Programação Genética Linear (LGP) é uma variante da Programação Genética (GP) aplicada com sucesso em vários domínios, como regressão, classificação, e navegação. Diferentemente da GP tradicional, que representa programas como árvores, a LGP usa listas de instruções, o que faz com que o fluxo de dados dos programas seja representado como um Grafo Direcionado Acíclico (DAG) e introduz características como código não-efetivo e reúso de código. Assim como em outros Algoritmos Evolutivos (EAs), o processo estocástico de busca da LGP não tem conhecimento para produzir soluções de alta qualidade e não é capaz de evitar programas de baixa qualidade, o que reduz sua eficácia. Além disso, seus operadores de recombinação ignoram a correlação entre diferentes posições do genótipo. Para lidar com esses problemas em EAs, pesquisadores propuseram os Algoritmos de Estimação de Distribuição (EDAs), que usam um modelo probabilístico para amostrar soluções ao invés de aplicar operadores genéticos. O primeiro objetivo desta tese de doutorado é propor EDAs para a LGP que façam uso das propriedades de sua representação e modelem dependências entre variáveis. Duas formas de se fazer isso são exploradas: 1) Adaptar uma Gramática Livre de Contexto Estocástica (SCFG) para amostrar sequências de instruções ao invés de árvores de derivação e integrá-las ao LGP através de versões híbridas que combinam o uso da gramática com a aplicação de operadores genéticos; 2) Criar um vetor de inteiros intermediário para representar uma sequência de instruções e usá-lo para construir uma Rede Bayesiana. As técnicas resultantes são validadas em problemas de regressão e classificação, e são capazes de superar a LGP através das versões híbridas. A tese também discute desafios para se desenvolver EDAs para a representação da LGP. Considerando que as características da representação da LGP são um aspecto importante no design de novos métodos, também se pesquisou o papel de instruções não-efetivas na LGP e o impacto da representação por DAGs comparada com a representação por árvores, com o objetivo de se entender melhor como a técnica funciona e melhorar o desenvolvimento de novos métodos baseados nela. Conclui-se que intruções não-efetivas são um componente importante da LGP, mas seus benefícios dependem de como o algoritmo é usado, e também é demonstrado que DAGs apresentam uma grade vantagem em relação a árvores em determinadas classes de problemas, especialmente evolução de circuitos digitais.