Publication detail

Use of two-layer genetic programming for multidimensional symbolic regression

Authors: Merta Jan | Brandejský Tomáš

Year: 2024

Type of publication: článek ve sborníku

Name of source: Informatics 2024 : 2024 IEEE 17th International Scientific Conference on Informatics : proceedings

Publisher name: IEEE (Institute of Electrical and Electronics Engineers)

Place: New York

Page from-to: 503-508

Titles:

Language	Name	Abstract	Keywords
cze	Dvouvrstvé genetické programování pro vícedimenzionální symbolickou regresi	Tento článek se zaměřuje na zkoumání potenciálních výhod a výhod či nevýhod dvouvrstvého přístupu v genetickém programování. První část popisuje samotné dvouvrstvé genetické programování a jak se liší od své základní verze. Pro implementaci byl použit framework programovacího jazyka Python DEAP. Těžištěm článku je také srovnání výsledků získaných použitím tohoto dvouvrstvého genetického programování s různými konfiguracemi parametrů s běžným základním genetickým programováním na různých multidimenzionálních souborech dat a benchmarcích.	dvouvrstvé genetické programování, symbolická regrese, vícerozměrná data, benchmarky
eng	Use of two-layer genetic programming for multidimensional symbolic regression	This paper focuses on exploring the potential benefits and advantages or disadvantages of a two-layer approach in genetic programming. The first section describes two-layer genetic programming itself and how it differs from its basic version. The Python programming language framework DEAP was used for the implementation. The focus of the paper is also to compare the results obtained by using this two-layer genetic programming with different configurations of the parameters with ordinary basic genetic programming on different multidimensional datasets and benchmarks.	two-layer genetic programming, symbolic regression, multi-dimensional data, benchmarks

Search

Login for students

Login for employees

Publication detail

Department

Map

Services

Popular Links