Programación genética

La versión actual de la página aún no ha sido revisada por colaboradores experimentados y puede diferir significativamente de la versión revisada el 24 de octubre de 2018; las comprobaciones requieren 8 ediciones .

En el aprendizaje automático , la programación genética (GP) es la creación o modificación automática de programas utilizando algoritmos genéticos . Con la ayuda de esta metodología, se “cultivan” programas que son cada vez mejores (de acuerdo con una determinada función de aptitud para los cromosomas) resolviendo el problema computacional establecido.

Historia

Algoritmo de codificación

La elección de cómo codificar un programa en un algoritmo genético es uno de los principales problemas de la programación genética. El programa debe estar codificado de tal manera que sea fácil realizar automáticamente cambios aleatorios (operador de mutación) y combinar dos algoritmos en uno (operador de cruce).

Los métodos de codificación se pueden dividir en dos clases:

Codificación directa : el algoritmo genético funciona con el programa de forma explícita.
Codificación indirecta : el algoritmo genético no funciona con el código del programa en sí, sino con las reglas para su construcción. Es decir, el algoritmo genético trabaja con un programa que genera el programa que necesitamos.

Redes neuronales

Treelike

En la codificación de árboles, cada nodo del árbol contiene una función y cada hoja un operando. Una expresión representada como un árbol puede evaluarse fácilmente de forma recursiva. Las GPU tradicionales son más fáciles de usar para desarrollar programas escritos en lenguajes que incorporan naturalmente una estructura de árbol: Lisp , Haskell , F# y otros lenguajes de programación funcionales.

También se han propuesto e implementado con éxito representaciones de programas que no son árboles, como la programación genética lineal adecuada para lenguajes imperativos tradicionales.

Operador de cruce

En una representación de árbol, el operador de cruce se implementa mediante un intercambio entre dos árboles por cualquier nodo junto con sus descendientes (subárboles).

Ejemplo:

individuo _ Children [ randomChildIndex ] = otherIndividual . Hijos [ randomChildIndex ] ; Operador de mutación

A diferencia del operador de cruce, el operador de mutación afecta solo a un cromosoma. En una vista de árbol, se puede implementar cambiando la información en un nodo o agregando/eliminando un nodo o un subárbol completo. En este caso, es necesario controlar la exactitud de los resultados del operador.

Ejemplo:

individuo _ Información = información aleatoria ();

individuo = generarNuevoIndividuo ();

Programación metagenética

La programación metagenética es un GP en el que no solo se cambia un programa de computadora dado y, por lo tanto, se "crece", sino también los propios operadores de cruce y mutación aplicados.

Enlaces

Literatura

Banzhaf, W., Nordin, P., Keller, RE, Francone, FD (1997), Programación genética: una introducción: sobre la evolución automática de los programas informáticos y sus aplicaciones , Morgan Kaufmann
Cramer, Nichael Lynn (1985), " Una representación para la generación adaptativa de programas secuenciales simples " en Actas de una conferencia internacional sobre algoritmos genéticos y aplicaciones , Grefenstette, John J. (ed.), CMU
Koza, JR (1990), Programación genética: un paradigma para la reproducción genética de poblaciones de programas informáticos para resolver problemas , Informe técnico del Departamento de informática de la Universidad de Stanford STAN-CS-90-1314 . Un informe completo, posiblemente utilizado como borrador de su libro de 1992.
Koza, JR (1992), Programación genética: sobre la programación de computadoras por medio de la selección natural , MIT Press
Koza, JR (1994), Programación genética II: Descubrimiento automático de programas reutilizables , MIT Press
Koza, JR, Bennett, FH, Andre, D. y Keane, MA (1999), Programación genética III: invención darwiniana y resolución de problemas , Morgan Kaufmann
Koza, JR, Keane, MA, Streeter, MJ, Mydlowec, W., Yu, J., Lanza, G. (2003), Programación genética IV: inteligencia de máquina competitiva humana de rutina , Kluwer Academic Publishers
Langdon, WB, Poli, R. (2002), Fundamentos de la programación genética , Springer-Verlag
Poli, R., Langdon, WB, McPhee, NF (2008), A Field Guide to Genetic Programming , Lulu.com, disponible gratuitamente en Internet ISBN 978-1-4092-0073-4
Smith, SF (1980), Un sistema de aprendizaje basado en algoritmos genéticos adaptativos , tesis doctoral ( Universidad de Pittsburgh )
Sopov E. A. (2004), Algoritmos evolutivos para modelar y optimizar sistemas complejos, disertación para el grado de candidato de ciencias técnicas, Krasnoyarsk

Inteligencia artificial
Historia	Historia de la inteligencia artificial Invierno de inteligencia artificial Seminario de Dartmouth
Filosofía	prueba de Turing cuarto chino Inteligencia artificial fuerte y débil Inteligencia artificial amigable La ética de la inteligencia artificial Problema de control
Direcciones	Enfoque del agente control adaptativo Ingeniería del conocimiento Modelo de sistema viable Aprendizaje automático red neuronal lógica difusa procesamiento natural del lenguaje Reconocimiento de patrones Inteligencia de enjambre IA simbólica Algoritmos evolutivos Experto en Sistemas
Solicitud	Control de voz Problema de clasificación Clasificación de documentos Agrupación de documentos análisis de conglomerados Busqueda local Traducción automática Reconocimiento óptico de caracteres Reconocimiento de voz Reconocimiento de escritura a mano IA del juego
Investigadores	Charles Babbage vladimir vapnik José Weizenbaum Norberto Wiener Viktor Glushkov Vladímir Gorodetsky Jan Le Cun Alexey Liapunov Juan McCarthy marvin minski allen newell Seymour Papel Perla de Judá Germógen Pospelov Dmitri Pospelov Frank Rosenblatt Herbert Alejandro Simón alan turing patricio winston Víctor Finn sergey fomin demis hassabis Geoffrey Hinton Noam Chomsky claude shannon andres eun Eliezer Yudkovski

Aprendizaje automático y minería de datos
Tareas	Problema de clasificación Aprender sin un maestro Aprendizaje asistido por profesores Análisis de regresión AutoML reglas de asociación Extracción de características entrenamiento de rasgos Entrenamiento de clasificación Derivación gramatical Aprender en línea
Aprendiendo con un maestro	método del k-vecino más cercano Clasificador bayesiano ingenuo árbol de decisión Máquinas de vectores soporte Regresión lineal Regresión logística perceptrón conjuntos de modelos Harpillera impulsar bosque aleatorio Método de vector relevante
análisis de conglomerados	método k-medias método de agrupamiento difuso Agrupación jerárquica algoritmo EM ABEDUL CURAR DBSCAN ÓPTICA Desplazamiento medio
Reducción de dimensionalidad	Análisis factorial Método de componentes principales CCA ACI LDA Expansión de matriz no negativa t-SNE
Pronóstico estructural	Graficar modelo probabilístico red bayesiana Modelo oculto de Markov FRC
Detección de anomalías	método del k-vecino más cercano Nivel de emisión local
Graficar modelos probabilísticos	red bayesiana Red de Markov Modelo oculto de Markov
Redes neuronales	Máquina Boltzmann limitada mapa autoorganizado Función de activación Sigmoideo softmax Funcion de base radial Método de propagación hacia atrás Aprendizaje profundo perceptrón multicapa Red neuronal recurrente memoria a corto plazo Bloque recurrente controlado Red neuronal convolucional U-red Codificador automático
Aprendizaje reforzado	proceso de Markov Ecuación de Bellman Algoritmo codicioso Q-aprendizaje SARAS Diferencia temporal (DT)
Teoría	Teoría de Vapnik-Chervonenkis Dilema de dispersión de sesgo Teoría del aprendizaje computacional Minimización empírica del riesgo El aprendizaje de Occam aprendizaje PAC Teoría del aprendizaje estadístico
revistas y congresos	NeurIPS ICML ML JMLR ArXiv:cs.LG