Grammar-based genetic programming

Abstract

Genetické programování (GP) založené na stromech má několik známých nedostatků: složité přizpůsobení specifickým programovacím jazykům a prostředím, problém uzávěru a více typů a problém deklarativní reprezentace vědomostí. Většina metod, které se snaží tyto problémy vyřešit, je založena na formálních gramatikách. Přesné důsledky vlastností, které je odlišují, je těžké analyzovat a dobré srovnání výsledků v konkrétních problémech chybí. Tato práce zkoumá tři metody založené na gramatikách: genetické programování s bezkontextovými gramatikami (CFG-GP), včetně jeho varianty GPHH nedávno aplikované na rozvrhování zkoušek, gramatickou evoluci (GE) a LOGENPRO, pojednává o tom, jak řeší problémy GP, a porovnává je v sérii experimentů v šesti aplikacích podle četností úspěchu a charakteristik derivačních stromů. Práce ukazuje, že GE ani LOGENPRO neposkytují podstatnou výhodu v žádném z experimentů a analyzuje rozdíly v účincích operátorů používaných v CFG-GP a GE. Jsou také prezentovány výsledky velmi efektivní implementace metod CFG-GP a GE.

Tree-based genetic programming (GP) has several known shortcomings: difficult adaptability to specific programming languages and environments, the problem of closure and multiple types, and the problem of declarative representation of knowledge. Most of the methods that try to solve these problems are based on formal grammars. The precise effect of their distinctive features is often difficult to analyse and a good comparison of performance in specific problems is missing. This thesis reviews three grammar-based methods: context-free grammar genetic programming (CFG-GP), including its variant GPHH recently applied to exam timetabling, grammatical evolution (GE), and LOGENPRO, it discusses how they solve the problems encountered by GP, and compares them in a series of experiments in six applications using success rates and derivation tree characteristics. The thesis demonstrates that neither GE nor LOGENPRO provide a substantial advantage over CFG-GP in any of the experiments, and analyses the differences between the effects of operators used in CFG-GP and GE. It also presents results from a highly efficient implementation of CFG-GP and GE.