从给定的文件信息中,我们可以提取出以下知识点:
进化编程(Evolutionary Programming,EP)是进化计算的一个分支,主要用于通过进化数值来寻找函数的全局最优解。在进化编程中,变异(mutation)是唯一的遗传操作符,变异的作用是引入种群中的遗传变化。过去,变异操作符通常由人工指定,主要包括高斯(Gaussian)、柯西(Cauchy)和列维(Lévy)分布等概率分布。研究者们试图用遗传编程(Genetic Programming,GP)自动设计变异操作符,即概率分布。这是通过使用标准高斯随机数生成器作为终端集,以及基本算术运算符作为函数集来实现的。换句话说,任何随机数生成器都是一个函数,该函数接受由遗传编程随机生成的高斯数值,通过遗传编程生成的任意函数。
文章提到,与其试图为任意基准函数开发变异操作符(这是“没有免费午餐”定理的后果),不如为特定的函数类定制变异操作符。研究者们从一个函数类(即一组函数的概率分布)中提取函数,并在一组从给定函数类中抽取的函数实例上训练变异概率分布。然后,在一个独立的测试集上测试以确认进化出的概率分布确实已普遍适用于该函数类。初步结果令人鼓舞:在十个函数类中,使用遗传编程生成的概率分布在每个类上的性能均优于高斯和柯西分布。
关键词包括:进化编程(Evolutionary Programming)、遗传编程(Genetic Programming)、函数优化(Function Optimization)、机器学习(Machine Learning)、元学习(Meta-learning)、超启发式算法(Hyper-heuristics)和自动设计(Automatic Design)。
介绍部分指出,进化编程是进化计算的一个分支,用于通过进化数值来寻找函数的全局最优解。在进化编程中,变异是唯一的遗传操作符。用于变异的概率分布是变异操作符的来源。过去这些概率分布由人类指定,但本文讨论了如何使用遗传编程自动设计这些概率分布。研究中使用了标准的高斯随机数生成器作为终端集,以及基础算术运算符作为函数集,生成任意随机数生成器是高斯生成数通过遗传编程生成的任意函数。
文章强调了对于特定函数类定制变异操作符的重要性,而不是为了任意基准函数开发变异操作符,因为这在数学上证明是无解的。通过从给定函数类抽取函数实例来训练变异概率分布,并在独立的测试集上进行测试以证明进化的概率分布确实具有普遍性。在实验的十个函数类别中,遗传编程生成的概率分布都优于高斯和柯西分布。
关键词部分提示了文章的研究领域和主题,包括进化编程、遗传编程、函数优化、机器学习、元学习、超启发式算法和自动设计。这些领域都是当前人工智能和计算智能研究的前沿,而文章重点探讨的是进化算法中的自动设计和概率分布的问题。