基于词典方法和传统选择方法在遗传编程（GP）中用于符号回归的性能分析

《ACM Transactions on Evolutionary Learning and Optimization》：A Performance Analysis of Lexicase-Based and Traditional Selection Methods in GP for Symbolic Regression

该研究对比了lexicase选择方法及其变种（如epsilon-threshold、批次训练案例）与下采样策略的融合效果，评估了不同预算（评估预算/时间预算）下的性能表现。实验表明epsilon-lexicase结合下采样在评估预算下最优，短时间预算下批次处理lexicase更优，而锦标赛选择结合下采样在所有场景中表现良好。

　　

摘要

近年来，由于标准词典选择方法在各种应用领域中的成功，出现了几种新的基于词典的选择方法。对于符号回归问题，使用$?$阈值或批量训练数据的变体等方法显著提升了性能。尤其是结合词典选择和降采样策略的变体受到了广泛关注。本文评估了在多种符号回归问题上，最相关的基于词典的选择方法以及与传统选择方法结合不同降采样策略的效果。与大多数研究不同，我们不仅比较了在给定评估预算下的方法性能，还考虑了时间限制因素（因为在实际应用中时间通常是有限的）。我们发现，在给定评估预算的情况下，结合降采样策略的$?$词典选择方法优于所有其他方法。如果给定的运行时间非常短，使用批量训练数据的词典变体表现最佳。此外，我们发现将锦标赛选择与基于信息的降采样策略相结合在所有研究场景中都能取得良好效果。