University of Pardubice Faculty of Electrical Engineering and Informatics

University

Employees
|
Students
Česky

Publication detail

Two-layer genetic programming

Authors: Merta Jan | Brandejský Tomáš

Year: 2022

Type of publication: článek v odborném periodiku

Name of source: Neural Network World

Page from-to: 215-231

Titles:

Language	Name	Abstract	Keywords
cze	Dvouvrstvé genetické programování	Tento článek se zaměřuje na dvouvrstvý přístup k algoritmu genetického programování a zlepšení tréninkového procesu pomocí souborového učení. Myšlenka vícevrstvého přístupu ke genetickému programování, inspirovaná výkonnostním skokem hlubokých neuronových sítí, se navrhuje začít dvouvrstvým genetickým programováním. Cílem příspěvku bylo navrhnout a implementovat dvouvrstvý algoritmus genetického programování, otestovat jeho chování v kontextu symbolické regrese na několika základních testovacích případech, odhalit potenciál pro zlepšení procesu učení genetického programování a zvýšení přesnosti výsledného modely. Algoritmus pracuje ve dvou vrstvách. V první vrstvě vyhledává vhodné dílčí modely popisující každý segment dat. Ve druhé vrstvě vyhledává výsledný model jako nelineární kombinaci těchto dílčích modelů. Dvouvrstvé genetické programování spojené s technikami souborového učení na provedených experimentech ukázalo potenciál pro zlepšení výkonu genetického programování.	dvouvrstvé genetické programování; ansámblové učení; hluboké učení; boot strapping; symbolická regrese
eng	Two-layer genetic programming	This paper focuses on a two-layer approach to genetic programming algorithm and the improvement of the training process using ensemble learning. Inspired by the performance leap of deep neural networks, the idea of a multilayered approach to genetic programming is proposed to start with two-layered genetic programming. The goal of the paper was to design and implement a twolayer genetic programming algorithm, test its behaviour in the context of symbolic regression on several basic test cases, to reveal the potential to improve the learning process of genetic programming and increase the accuracy of the resulting models. The algorithm works in two layers. In the first layer, it searches for appropriate sub-models describing each segment of the data. In the second layer, it searches for the final model as a non-linear combination of these sub-models. Two-layer genetic programming coupled with ensemble learning techniques on the experiments performed showed the potential for improving the performance of genetic programming.	two-layer genetic programming; ensemble learning; deep learning; bootstrapping; symbolic regression