Исследователи проанализировали влияние методов инициализации начальной популяции на эффективность генетического программирования (ГП) при решении задач символьной регрессии. Сравнение классических случайных подходов с использованием предварительно оптимизированных решений показало, что качество исходных данных напрямую определяет точность и вычислительную сложность итоговых моделей. Работа предлагает новые стратегии для повышения производительности алгоритмов в задачах поиска математических закономерностей.
Генетическое программирование часто сталкивается с проблемой избыточной сложности решений, которые при этом не всегда обладают высокой точностью. Авторы работы протестировали три стандартных метода случайной инициализации и сопоставили их с подходом, основанным на использовании малых оптимизированных решений, полученных через исчерпывающую символьную регрессию (ESR).
Результаты исследования демонстрируют, что интеграция предварительно отобранных структур в начальную популяцию позволяет алгоритму быстрее сходиться к оптимальным математическим выражениям. Это снижает общую нагрузку на вычислительные ресурсы и упрощает интерпретируемость полученных моделей, что критически важно для прикладных задач анализа данных и научного моделирования.
Ключевые факты
- Исследование сфокусировано на сравнении методов инициализации популяции в генетическом программировании для символьной регрессии.
- Проведено сопоставление трех классических методов случайной инициализации с подходом на основе исчерпывающей символьной регрессии (ESR).
- Использование оптимизированных малых решений в качестве базы для популяции повышает точность итоговых моделей.
- Метод позволяет сократить вычислительную сложность поиска решений, сохраняя их интерпретируемость.