基因表達式編程與笛卡爾遺傳編程的區別

Question

進化計算中令人討厭的一件事是，輕度不同且重疊的概念傾向於選擇顯着不同的名稱。我最近的困惑是，基因表達編程似乎與笛卡爾遺傳編程非常相似。

1. （how）這些概念是否完全不同？
2. 我讀過GP指令的間接編碼是一種有效的技術（GEP和CGP都是這樣做的）。是否已經達成某種共識，即間接編碼已經過時了經典樹基礎GP？

Answer 1

嗯，這似乎是有基因表達式編程（GEP）和笛卡兒遺傳程序（CGP還是什麼我認爲作爲經典遺傳編程）之間存在一些差異，但差異可能比它更誇大了真的應該是。請注意，我從未使用過GEP，所以我的所有評論都基於我對CGP的經驗。

在CGP中，基因型和表型之間沒有區別，換句話說，如果您正在查看CGP的「基因」，您也正在查看它們的表達。這裏沒有編碼，即表達樹是基因本身。

GEPGEP將基因型表達爲一種表型，所以如果您在查看基因，您將不會輕易知道表達式的外觀。 GP的「發明人」CândidaFerreira撰寫了一份really good paper，其中有一些other resources試圖對整個概念進行簡要概述。 Ferriera說，好處是「明顯的」，但我真的沒有看到任何必然使GEP比CGP更好的東西。顯然GEP是多基因的，這意味着多個基因參與性狀表達（即表達樹）。在任何情況下，適應度都是在表達的樹上計算的，所以GEP似乎沒有做任何事情來增加適應度。作者聲稱GEP提高了適應速度（即更少的世代），但坦率地說，你可以看到CGP的巨大性能轉變，只是通過具有不同的選擇算法，不同的錦標賽結構，部落之間人口成部落，遷移標本，其中包括分集到健身等

選擇：

隨機
• 輪盤
• 頂部正
• 半
• 等

錦標賽頻率取：每每一個數據實例

每代一次

• 每一次劃時代
• 一次。

錦標賽結構：

• 取3，殺死1，並與其他兩個孩子更換。
• 通過健身對比賽中的所有人進行排序，殺死下半身並將其替換爲上半部分的後代（其中較低的健身和較高的健身較好）。
• 從比賽中隨機挑選個人配對並殺死多餘的個人。

部落
羣體可被分成獨立發展的每其他部落：

• [遷移週期性地從一個部落個體（一個或多個）將被移動到另一部落
• 這些部落在邏輯上是分開的，這樣他們就像他們在不同的環境中運行的獨立人羣。

多樣性健身
納入多樣性納入健身，你算多少人有相同的健身價值（因而很可能有相同的表型），你通過一個比例值懲罰他們的健身：在具有相同適應值的更多個體，對這些個體更多的懲罰。這樣，將鼓勵具有獨特表型的標本，因此人口停滯的情況會更少。

這些只是一些可以極大地影響CGP性能的事情，當我說得很重要時，我的意思是它的排列順序要比Ferriera的性能要好。所以，如果Ferriera沒有太多的鼓勵這些想法，那麼她可能會看到CGP的表現慢得多......特別是如果她沒有采取任何措施來阻止停滯。因此，在閱讀GEP的績效統計數據時，我會小心謹慎，因爲有時候人們無法解釋所有可用的「優化」。

Answer 2

一般來說，GEP比GP更簡單。假設您允許程序中使用以下節點：常量，變量，+， - ，*，/，如果... 對於每個具有GP的節點，您必須創建以下操作： - randomize - mutate - 交叉 - 也可能是其他遺傳算子

在GEP中，每個這樣的節點只需要執行一個操作：反序列化，它接受數組數組（如C或Java中的double），並返回節點。它類似於Java或Python等語言中的對象反序列化（區別在於編程語言中的反序列化使用字節數組，這裏我們有數組數組）。即使這種「反序列化」操作也不一定要由程序員來實現：它可以通過一種通用算法來實現，就像它在Java或Python反序列化中所做的一樣。

從一個角度來看，這種簡單性可能會使尋找最好的解決方案不太成功，但是從另一方面來看：程序員需要更少的工作，更簡單的算法可以更快地執行（更容易優化，更多的代碼和數據適合CPU緩存，等等）。所以我會說GEP稍微好一些，但是肯定的答案當然取決於問題，對於許多問題，情況可能相反。

Answer 3

這些答案似乎有一些混淆，必須澄清。笛卡爾GP不同於傳統的GP（又名基於樹的GP）和GEP。儘管它們有着許多概念並從相同的生物機制中獲得靈感，但個體的表徵（解決方案）各不相同。表示（基因型和表型之間的映射）是間接的，換句話說，並不是CGP基因組中的所有基因都將在phenome中表達（這一概念也見於GEP和許多其他）。基因型可以用網格或節點數組編碼，生成的程序圖只是活動節點的表達式。

在GEP該表示也是間接的，並且同樣不是所有的基因都將在表型中表達。這種情況下的表示與treeGP或CGP有很大不同，但基因型也表示爲程序樹。在我看來，GEP是一種更優雅的表示形式，更容易實現，但也存在一些缺陷，例如：您必須找到合適的尾部和頭部大小，這是特定問題，這種基因型版本是表達式樹之間的一種強制粘合，最後它有太多bloat。

在某些特定問題域中，哪個表示可能比其他表示更好，它們是通用目的，只要可以對其進行編碼就可以應用於任何域。