Univerzita Pardubice Fakulta elektrotechniky a informatiky

Univerzita Pardubice

Zaměstnanci
|
Studenti
English

Publikace detail

Influence of (p)RNGs onto GPA-ES behaviors

Autoři: Brandejský Tomáš

Rok: 2017

Druh publikace: článek v odborném periodiku

Název zdroje: Neural Network World

Strana od-do: 593-606

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Vliv generátorů pseudonáhodných čísel na chování GPA-ES	Hlavním cílem tohoto článku je prověřit, zda evoluční algoritmy (EA) mohou být ovlivněny generátory náhodných čísel a generátory pseudo náhodných čísel a zda rozdílné evoluční operátory užívané evolučními algoritmy vyžadují rozdílné vlastnosti RNG a pRNG. Tato otázka je důležitá zvláště pokud je genetické programování aplikováno na úlohu symbolické regrese s cílem produkovat výsledky srovnatelné s těmi produkovanými lidmi, protože taková úloha vyžaduje rozsáhlé výpočty. Experimenty byly prováděny na GPA-ES algoritmu kombinujícím algoritmus genetického programování (GPA) pro vývoj struktur a evoluční strategii (ES) pro oprimalizaci parametrů. Tento algorimus je popsán v článku a používá rozsáhlý sortiment evolučních operátorů (generování doplňujících jedinců, symetrické křížení, mutaci and jednobodové křížení). Tyto experimenty řešily problém symbolické regrese dynamického systému. Počet iterací potřebných pro získání požadované kvality řešení byl použit jako míra ovlivnění (p)RNG. Tyto experimenty ukázaly, že různé (p)RNGs vyhovují různým evolučním operátorům, že některé kombinace (p)RNG jsou lepší než jiné a že některé teoreticky excelentní (p)RNG vedou k špatným výsledkům. Prezentované experimenty ukaují že efektivita evolučního algoritmu může být zvýšena použitím více (p)RNG optimalizované pro každý jednotlivý evoluční operátor.	Generátor (pseudo) Náhodných Čísel ((p)RNG); Algoritmus Genetického Programování; Evoluční Strategie (ES); algoritmus GPA-ES; citlivost na vlastnosti (p)RNG
eng	Influence of (p)RNGs onto GPA-ES behaviors	The main aim of this paper is to investigate if the evolutionary algorithms (EAs) can be influenced by Random Number Generators (RNGs) and pseudo Random Number Generators (pRNGs) and if different evolutionary operators applied within EAs requires different features of RNGs and pRNGs. Speaking both about RNGs and pRNGs, the abbreviation (p)RNGs will be used. This question is significant especially if genetic programming is applied to symbolic regression task with the aim to produce human expert comparable results because such task requires massive computations. Experiments were performed on GPA-ES algorithm combining genetic programming algorithm (GPA) for structure development and evolutionary strategy (ES) algorithm for parameter optimization. This algorithm is described bellow and it applies extended scale of different evolutionary operators (additional individuals generating, symmetric crossover, mutations, and one point crossover). These experiments solved problem of symbolic regression of dynamic system. The number of iterations needed for required quality of regression was used as the measure of (p)RNG influence. These experiments point that different (p)RNGs fit to different evolutionary operators, that some combinations (p)RNGs are better than others and that some theoretically excellent (p)RNGs produces poor results. Presented experiments point that the efficiency of evolutionary algorithms might be increased by application of more (p)RNGs in one algorithm optimised for each particular evolutionary operator.	(pseudo) Random Number Generator ((p)RNG); Genetic Programming Algorithm (GPA); Evolutionary Strategy (ES); GPA-ES algorithm; sensitivity to (p)RNG properties