Genetic Programming Theory and Practice XI

این مشارکت‌ها که توسط برجسته‌ترین محققان بین‌المللی و دست اندرکاران برنامه‌نویسی ژنتیک (GP) نوشته شده‌اند، هم‌افزایی بین نتایج نظری و تجربی در مسائل دنیای واقعی را بررسی می‌کنند و دیدگاهی جامع از وضعیت هنر در GP ایجاد می‌کنند. موضوعات این جلد عبارتند از: محدودیت‌های تکاملی، آرام‌سازی مکانیسم‌های انتخاب، استراتژی‌های حفظ تنوع، ارزیابی تناسب اندام انعطاف‌پذیر، تکامل در محیط‌های پویا، انتخاب چند هدفه و چندوجهی، مبانی تکامل‌پذیری، اپراتورهای تکاملی و تطبیقی، بنیاد متخصص تزریق دانش در جستجوی تکاملی، تجزیه و تحلیل دشواری مشکل و پیچیدگی الگوریتم GP مورد نیاز، مبانی در اجرای GP بر روی ابر - ارتباطات، همکاری، پیاده سازی انعطاف پذیر، و روش های مجموعه. نقاط کانونی اضافی برای رگرسیون نمادین GP عبارتند از: (1) نیاز به تضمین همگرایی به راه حل ها در حالت کشف تابع. (2) مسائل مربوط به اعتبار مدل. (3) نیاز به گردش کار تجزیه و تحلیل مدل برای تولید بینش بر اساس راه حل های GP تولید شده - کاوش مدل، تجسم، انتخاب متغیر، تجزیه و تحلیل ابعاد. (4) مسائل مربوط به ترکیب انواع مختلف داده ها. خوانندگان از طریق ارائه‌های عمیق آخرین و مهم‌ترین نتایج، کاربردهای GP در مقیاس بزرگ و در دنیای واقعی را در حوزه‌های مختلف مشکل کشف خواهند کرد.

These contributions, written by the foremost international researchers and practitioners of Genetic Programming (GP), explore the synergy between theoretical and empirical results on real-world problems, producing a comprehensive view of the state of the art in GP. Topics in this volume include: evolutionary constraints, relaxation of selection mechanisms, diversity preservation strategies, flexing fitness evaluation, evolution in dynamic environments, multi-objective and multi-modal selection, foundations of evolvability, evolvable and adaptive evolutionary operators, foundation of injecting expert knowledge in evolutionary search, analysis of problem difficulty and required GP algorithm complexity, foundations in running GP on the cloud – communication, cooperation, flexible implementation, and ensemble methods. Additional focal points for GP symbolic regression are: (1) The need to guarantee convergence to solutions in the function discovery mode; (2) Issues on model validation; (3) The need for model analysis workflows for insight generation based on generated GP solutions – model exploration, visualization, variable selection, dimensionality analysis; (4) Issues in combining different types of data. Readers will discover large-scale, real-world applications of GP to a variety of problem domains via in-depth presentations of the latest and most significant results.