Skip to main content

Login for students

Login for employees

Publication detail

GPA-ES Algorithm Modification for Large Data
Year: 2019
Type of publication: článek ve sborníku
Name of source: Intelligent systems applications in software engineering : proceedings of 3rd computational methods in systems and software 2019, Vol. 1
Publisher name: Springer Nature Switzerland AG
Place: Cham
Page from-to: 98-106
Titles:
Language Name Abstract Keywords
cze Modifikace algoritmu GPA-ES pro velká data Tento příspěvek diskutuje vylepšení algoritmu genetického programování pro rozsáhlé množiny dat s ohledem na budoucí rozšíření pro big data aplikace. Na počátku sumarizuje požadavky na evoluční systémy aby byly aplikovatelné v oblasti big data a cesty k jejich naplnění. Pak GPA a především jejich zlepšené řešení založené na optimalizaci konstant (tak zvané hierarchické a hybridní algoritmy genetického programování) jsou diskutovány v příspěvku. Po dikusi výsledků několika experimentů je prezentováno zavedení nového přístupu k ohodnocovacímu schematu s plovoucím okénkem. Nové ohodnocovací schema aplikuje plovoucí datové okénko do ohodnocování fitnes funkce. Po každém ohodnocovacím kroku GPA zahrnujícím i laděnéí parametrů (konstant řešení) vnořeným algorimem evoluční strategie se datové okénko posouvá na novou pozici. Prezentované výsledky demonstrují, že tato strategie může být rychlejší a efektivnější než vyhodnocování celé trénovací množiny dat v každém evolučním kroku GPA algoritmu. Tato modifikace může být počátečním bodem budoucích aplikací GPA v oblasti analýzy velkých a big dat. Big data; Fixed position data window; Floating data window; Genetic programming algorithm; Symbolic regression; Data analytic
eng GPA-ES Algorithm Modification for Large Data This paper discusses improvement of Genetic Programming Algorithm to large data sets with respect to future extension to big data applications. On the beginning it summarizes requirements on evolutionary system to be applicable in the area of big data and ways of their satisfaction. Then GPAs and especially their improvements by solution constant optimization (so called hierarchical and hybrid genetic programming algorithms) are discussed in this paper. After a discussion of few experiment results of introduced novel evaluation scheme approach with floating data window is presented. Novel evaluation scheme applies floating data window to fitness function evaluation. After one evaluation step of GPA including tuning of parameters (solution constants) by embedded Evolutionary Strategy algorithm data window moves to new position. Presented results demonstrate that this strategy can be faster and more efficient than evolution of whole training data set in each evolutionary step of GPA algorithm. This modification can be starting point of future applications of GPA in the field of large and big data analytic. Big data; Fixed position data window; Floating data window; Genetic programming algorithm; Symbolic regression; Data analytic