GP [28] is an extension of genetic

GP [28] is an extension of genetic algorithms (GA). It is a search
methodology belonging to the family of evolutionary computation. GP
randomly generates an initial population of solutions. Then, the initial
population is manipulated using various genetic operators to produce
new populations. These operators include reproduction, crossover,
mutation, dropping condition, etc. The whole process of evolving from
one population to the next population is called a generation. A highlevel
description of the GP algorithm can be divided into a number of
sequential steps [14]:
• Create a random population of programs, or rules, using the
symbolic expressions provided as the initial population.
• Evaluate each program or rule by assigning a fitness value according
to a predefined fitness function that can measure the capability of
the rule or program to solve the problem.
• Use the reproduction operator to copy existing programs into the
new generation.
• Generate the new population with crossover, mutation, or other
operators from a randomly chosen set of parents.
• Repeat the second to the fourth steps for the new population until a
predefined termination criterion is satisfied, or a fixed number of
generations is completed.
• The solution to the problem is the genetic program with the best
fitness within all generations.
In GP, the crossover operation is achieved by reproduction of two
parent trees. Two crossover points are then randomly selected in the
two offspring trees. Exchanging sub-trees, which are selected
according to the crossover point in the parent trees, generates the
final offspring trees. The offspring trees are usually different from
their parents in size and shape. Then, mutation operation is also
considered in GP. A single parental tree is first reproduced. Then a
mutation point is randomly selected from the reproduction, which
can be either a leaf node or a sub-tree. Finally, the leaf node or the subtree
is replaced by a new leaf node or a randomly generated sub-tree.
Fitness functions ensure that the evolution goes toward optimization
by calculating the fitness value for each individual in the population.
The fitness value evaluates the performance of each individual in the
population.
GP is guided by the fitness function to search for the most efficient
computer program that can solve a given problem. A simple measure
of fitness [14] is adopted for the binary classification problem and is
given as follows:
Fitness ¼ No: of samples classified correctly
No: of samples used for training during evaluation
The major considerations in applying GP to pattern classification
are:
• GP based techniques are free of the distribution of the data, and so
no a priori knowledge is needed about the statistical distribution of
the data.
• GP can directly operate on the data in its original form.
• GP can detect the underlying but unknown relationship that exists
among data items and express it as a mathematical expression.
• GP can discover the most important discriminating features of a
class during the training phase.

Kết quả (Việt) 1:

Bác sĩ gia ĐÌNH [28] là một phần mở rộng của các thuật toán di truyền (GA). Đó là một tìm kiếmphương pháp thuộc gia đình tiến hóa tính toán. BÁC SĨ GIA ĐÌNHngẫu nhiên tạo ra một số giải pháp ban đầu. Sau đó, ban đầudân số được chế tác bằng cách sử dụng các nhà khai thác di truyền khác nhau để sản xuấtQuần thể mới. Các nhà khai thác bao gồm sinh sản, crossover,đột biến, giảm tình trạng, vv. Toàn bộ quá trình phát triển từmột dân số tiếp theo được gọi là một thế hệ. Một highlevelMô tả của thuật toán GP có thể được chia thành một sốtrình tự các bước [14]:• Tạo một dân số ngẫu nhiên của các chương trình, hoặc các quy định, bằng cách sử dụng cácbiểu hiện mang tính biểu tượng được cung cấp như là dân số ban đầu.• Đánh giá từng chương trình hoặc quy tắc bằng cách gán một giá trị thể dục theomột chức năng tập thể dục có thể đo lường khả năngCác quy tắc hoặc các chương trình để giải quyết vấn đề.• Sử dụng các nhà điều hành sao chép để sao chép các chương trình hiện có vào cácthế hệ mới.• Tạo ra dân mới với crossover, đột biến, hoặc khácCác nước sử dụng từ bộ chọn ngẫu nhiên của cha mẹ.• Lặp lại lần thứ hai đến thứ tư bước cho người dân mới đến mộttiêu chí chấm dứt được xác định trước là hài lòng, hoặc một số cố địnhthế hệ là hoàn thành.• Giải pháp cho vấn đề là các chương trình di truyền với sự tốt nhấtthể dục trong tất cả các thế hệ.GP, việc crossover là đạt được bằng cách sao chép của haicây cha mẹ. Hai điểm chéo sau đó lựa chọn ngẫu nhiên trong cáchai con cái cây. Trao đổi các cây con, được lựa chọntheo điểm chéo trên cây cha mẹ, tạo ra cáccuối cùng con cái cây. Cây con cái là thường khác nhau từcha mẹ ở kích thước và hình dạng. Sau đó, cũng là đột biến hoạt độngxem xét trong GP. Một cây cha mẹ duy nhất lần đầu tiên được sao chép. Sau đó asự đột biến điểm lựa chọn ngẫu nhiên từ sinh sản, màcó thể là một nút lá hoặc một cây con. Cuối cùng, các nút lá hoặc subtreeđược thay thế bằng một nút lá mới hoặc một cây tiểu ngẫu nhiên tạo ra.Chức năng thể dục đảm bảo rằng sự tiến hóa đi về tối ưu hóabằng cách tính toán giá trị thể dục cho mỗi cá nhân trong dân số.Giá trị thể dục đánh giá hiệu suất của mỗi cá nhân trong cácdân số.GP được hướng dẫn bởi các chức năng thể dục để tìm kiếm hiệu quả nhấtchương trình máy tính có thể giải quyết một vấn đề nhất định. Một biện pháp đơn giảnthể dục [14] được áp dụng cho các vấn đề phân loại nhị phân và làđược đưa ra như sau:Thể dục ¼ No: các mẫu phân loại chính xácNo: các mẫu được sử dụng để huấn luyện trong quá trình đánh giáNhững cân nhắc chính trong việc áp dụng các bác sĩ gia ĐÌNH để phân loại mô hìnhlà:• Bác sĩ gia ĐÌNH dựa trên kỹ thuật có thể tự do phân phối dữ liệu, và do đókhông có một kiến thức tiên nghiệm là cần thiết về phân phối thống kêcác dữ liệu.• Bác sĩ gia ĐÌNH có thể trực tiếp hoạt động trên dữ liệu ở dạng bản gốc của nó.• Bác sĩ gia ĐÌNH có thể phát hiện cơ bản nhưng không rõ mối quan hệ tồn tạitrong số các bản ghi dữ liệu và nhận nó như là một biểu thức toán học.• Bác sĩ gia ĐÌNH có thể khám phá các tính năng quan trọng nhất phân biệt đối xử của mộtlớp học trong giai đoạn đào tạo.

Kết quả (Việt) 2:

GP [28] là một phần mở rộng của thuật toán di truyền (GA). Nó là một tìm kiếm
phương pháp thuộc họ tính toán tiến hóa. GP
ngẫu nhiên tạo ra một dân số ban đầu của các giải pháp. Sau đó, ban đầu
dân được chế tác sử dụng các nhà khai thác di truyền khác nhau để sản xuất
quần thể mới. Các nhà khai thác bao gồm sinh sản, crossover,
đột biến, tình trạng rơi, vv Toàn bộ quá trình phát triển từ
một dân với dân số kế tiếp được gọi là một thế hệ. Một Corporate
mô tả của thuật toán GP có thể được chia thành một số
bước tuần tự [14]:
• Tạo một dân số ngẫu nhiên của chương trình, hoặc quy tắc, bằng cách sử dụng
biểu tượng cung cấp như dân số ban đầu.
• Đánh giá từng chương trình, quy tắc bằng cách gán một giá trị thể dục theo
một chức năng tập thể dục được xác định trước đó có thể đo lường năng lực của
các quy tắc hoặc chương trình để giải quyết vấn đề.
• Sử dụng các toán tử sinh sản để sao chép các chương trình hiện có thành các
thế hệ mới.
• Tạo các dân cư mới với sự giao nhau, đột biến, hoặc các
nhà khai thác từ một bộ chọn ngẫu nhiên của cha mẹ.
• Lặp lại thứ hai đến bước thứ tư cho dân số mới cho đến khi một
tiêu chí chấm dứt được xác định trước là hài lòng, hoặc một số cố định của
các thế hệ được hoàn thành.
• Các giải pháp cho vấn đề là chương trình di truyền với sự tốt nhất
tập thể dục trong tất cả các thế hệ.
Trong GP, các hoạt động chéo đạt được bằng cách sinh sản của hai
cây mẹ. Hai điểm chéo sẽ được chọn ngẫu nhiên trong
hai cây con. Trao đổi cây con, được lựa chọn
theo các điểm giao nhau trên cây mẹ, tạo ra các
cây con thức. Các cây con thường khác với
cha mẹ của họ có kích thước và hình dạng. Sau đó, hoạt động đột biến cũng được
xem xét trong GP. Một cây cha mẹ duy nhất là lần đầu tiên tái tạo. Sau đó, một
điểm đột biến được lựa chọn ngẫu nhiên từ sinh sản, trong đó
có thể là một nút lá hoặc một cây con. Cuối cùng, các nút lá hoặc cây con
được thay thế bằng một nút lá mới hoặc một cây con được tạo ngẫu nhiên.
Chức năng tập thể dục đảm bảo rằng sự tiến hóa đi về hướng tối ưu hóa
bằng cách tính toán các giá trị thể dục cho mỗi cá nhân trong dân số.
Các giá trị thể dục đánh giá hiệu suất của mỗi cá nhân trong
dân số.
GP được hướng dẫn bởi các chức năng tập thể dục để tìm kiếm hiệu quả nhất
chương trình máy tính có thể giải quyết một vấn đề nhất định. Một biện pháp đơn giản
của thể dục [14] được áp dụng cho các vấn đề phân loại nhị phân và được
quy định như sau:
Thể ¼ số: mẫu phân loại chính xác
Không: các mẫu được sử dụng để đào tạo trong đánh giá
Các cân nhắc chính trong việc áp dụng GP để mô hình phân loại
là:
• kỹ thuật dựa GP được tự do về sự phân bố của dữ liệu, và do đó
không có kiến thức tiên nghiệm là cần thiết về sự phân bố thống kê của
các dữ liệu.
• GP có thể trực tiếp vận hành trên các dữ liệu ở dạng ban đầu của nó.
• GP có thể phát hiện các mối quan hệ cơ bản nhưng chưa biết rằng tồn tại
giữa các hạng mục dữ liệu và thể hiện nó như một biểu thức toán học.
• GP có thể khám phá các tính năng phân biệt quan trọng nhất của một
lớp trong suốt giai đoạn huấn luyện.