Proyecto gpm

Computación Evolutiva

MEMORY WITH MEMORY IN GENETIC PROGRAMMING

Algunos parámetros:

 Generations: 100.
 Popsize: 100. Individuos de la población.
 Operatorprobstype: variable. Adaptación automática para el operador genético en base a
probabilidades de ocurrencia.
 Calcdiversity: uniquegen. GPLab almacena información relativa a la diversidad de la
población.
 Calccomplexity: 0. Cuando se active GPLAB almacena información sobre numero de nodos,
nivel de profundidad y equilibrio en las ramas.
 Initpoptype : rampedinit. Utiliza el método Half-and-Half, un número igual de individuos
se inicializan para cada profundidad entre el 2 y el valor del árbol inicial. La población de
arboles con este método es variada, con arboles equilibrados y desequilibrados de
diferentes profundidades.
 Elitism: replace. Los hijos sustituyen a la población origen por lo que reciben una mayor
prioridad de supervivencia, incluso si son peores que sus padres. No es una opción elitista.
 Expected: rank85. Numero esperado de hijos de cada individuo está basado en su rango
de la población.
 Survival: fixedpopsize. El número de individuos de la población N es el mismo a lo largo de
la evolución. Los primeros N elementos de la lista ordenados sobreviven para formar la
siguiente generación y los individuos restantes se desechan.
 Resourcespopsize: steady. Utilización constante de los recursos para garantizar la
supervivencia de los individuos.
 Resourcesfitness: normal.
 Sampling: lexictour. Selección Lexictour es un método que implementa la presión
parsimonia lexicográfico. Al igual que la selección por torneo se elige un número de
individuos de la población y el mejor de ellos es seleccionado. Si dos individuos tienen la
misma forma se elige al que tiene menos nodos como el mejor.
 Calcfitness: regfitness. Calcula para cada individuo la diferencia absoluta entre el valor de
la produccion esperada y el valor devuelto por el individuo en todos los casos de fitness,
los mejores individuos son los que tienen menores diferencias, y para esto utiliza el
parámetro lowerisbetter=1.
 Initialprobstype: fixed. Especifica la probabilidad del operador inicial deseada.
 Setfunctions: suma, resta, mul y div.
 Setterminals: { } (default).
 Output: normal. Produce una salida adicional de texto durante la ejecución del algoritmo
(identificación, aptitud, profundidad y tamaño del individuo encontrado hasta el
momento).

Instituto Tecnológico de Tijuana


RESULTADOS

 Succes rate. Porcentaje de fitness que llegan a cero en cada corrida.
 Best Fitness. Es el promedio del mejor individuo en las cinco corridas.
 Average fitness. Es el promedio de fitness de la población obtenida en cada corrida, se
promediaron los resultados en cada valor de gamma.
 Nodes. Promedio de los nodos del mejor individuo obtenido en cada corrida.
 Depth. Promedio de la profundidad de los árboles obtenida del mejor individuo en cada
corrida.



GRÁFICA DEL MEJOR INDIVIDUO
(Datos de la columna Best Fitness)

GRÁFICA DEL COMPORTAMIENTO DE LA POBLACIÓN
(Datos de la columa Average Fitness)


Proyecto gpm

Más contenido relacionado

Destacado (15)

Similar a Proyecto gpm (20)

Más de Xochilt Ramirez (11)

Último (20)

Proyecto gpm