Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Markov chain analysis of depth growth in GP-ES algorithm
Rok: 2025
Druh publikace: ostatní - článek ve sborníku
Název zdroje: 9th Computational Methods in Systems and Software 2025
Název nakladatele: Springer Nature Switzerland AG
Místo vydání: Cham
Strana od-do: nestránkováno
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Markovská analýza růstu hloubly stromů v GP-ES algoritmu Tento článek představuje analýzu algoritmu Genetického programování s Evoluční strageií (GP+ES) pomocí modelování přes Markovské řetězce se zaměřením na dynamiku hloubky stromů během evoluce. Je provedeno několik zjednodušujících předpokladů, zejména že všechny stromy jsou úplné binární stromy a že ES vždy nalezne optimální konstanty, což umožňuje reprezentovat každého jedince pouze jeho hloubkou. Na základě vzniklého modelu jsou představeny metody pro odhad času dosáhnutí očekávané hloubky, očekávaných změn hloubky a tendencí růstu, včetně přístupů založených na pravděpodobnosti přežití, geometrické aproximaci nebo analýze absorbujících stavů. Výsledky ukazují, že model lze použít k optimálnímu nastavení počáteční hloubky stromu, a tím zlepšit efektivitu hledání řešení při současném řízení bloat efektu. Genetické programování, Evoluční strategie, Matkovské řetězce, Hloubka stromu, Bloat
eng Markov chain analysis of depth growth in GP-ES algorithm This paper presents an analysis of the Genetic Programming with Evolution Strategy (GP+ES) algorithm using a Markov chain model focusing on tree depth dynamics during evolution. Several simplifying assumptions are made, most notably that all program trees are full binary trees and that ES always finds optimal constants, allowing representation of each individual solely by its depth. Based on the resulting model, methods for estimating the first hitting depth, expected depth changes, and growth tendencies are presented, including approaches via survival probability, geometric approximation, or absorbing state analysis. The results show that the model can be used to set initial tree depth optimally, thus improving solution efficiency while controlling bloat. Genetic Programming, Evolutionary Strategy, Markov Chains, Tree depth, Bloat

Katedry

Služby

Jak nás najdete?

zobrazit na mapy.cz

Často hledáte

© 2023 Univerzita Pardubice, Studentská 95, 532 10 Pardubice 2
Telefon: 466 036 111, 466 036 112, 466 036 113
Správce webu, RSS
ID datové schránky: f5vj9hu
Prohlášení o přístupnosti
CC BY-NC-ND 4.0 CZCreative CommonsAttributionNonCommercialNoDerivatives