遗传编程中Evolvability的进化 Lee Altenberg. 1994. The evolution of evolvability in genetic programming. Advances in genetic programming. MIT Press, Cambridge, MA, USA, 47–74. 介绍 在GA中，Gentic Operator和Repres

Geometric Semantic Genetic Programming：基于几何信息的GP Alberto et al., Geometric Semantic Genetic Programming, PPSN, 2012. Alberto Moraglio, Krzysztof Krawiec, Semantic Genetic Programming, GECCO, 2019.

可以从既有的schema theory中得到什么 Foundations of Genetic Programming Chapter 3,4,5,6的重点 https://link.springer.com/book/10.1007/978-3-662-04726-2 Chapter 3：位置信息 位置信息在schema中的表述体现为： schema的根节点：这个节点描述了

GP模块化的再讨论——Building Blocks：探测、提取、应用 Building Blocks的两种搜索方法是模块化和迁移：模块化的目的是为了将进化过程中进化过程自己产生的可能有用的遗传碎块给保护起来。研究迁移学习的目的是从别的什么地方将building blocks转移到当前的任务上。无论是哪一种研究，核心是将自己或者是其他任务中可能存在的这个任务中的building blocks给识

GP Memo 基础定义 语构和语义 语构（Syntax） 指一个个体树的拓扑结构，具体包括树整体的形状大小，每个节点上的值和连接。Standard GP中的交叉和突变是一种完全忽略个体语义的语构操作。 语义（Semantic） 指个体作为模型看待时的行为表现，这个表现通常是和数据集相关的：比如均方差/信息熵/几何信息/布尔值等等。Fitness Function也 是一种语义，但是F

遗传编程中的模块化 在遗传编程（GP）中，与个体有意义的片段的保存和遗传有关的研究被称为模块性 [1]. 在系统工程方面，GP 中的模块性研究可以帮助识别可能描述子系统行为的子树，并评估它们对主要输出和系统行为的贡献和敏感性。此外，对模块性的研究还可以为我们提供从简单系统开发复杂系统的方法[2]。 迄今为止，该领域的研究可按封装实体分为三层，即宏(macro)、函数(function)和块(bl

交叉算子的建模和比较 Poli, Riccardo & Langdon, W.. (2001). On the Search Properties of Different Crossover Operators in Genetic Programming. 背景 回顾遗传算法的schema theory: \[P(H,t+1) \geq P(H,t) \frac{f(H

同源交叉的模式定理 Riccardo Poli et al,. Exact Schema Thoery and Markov Chain Models for Genetic Programming and Variable-length Genetic Algorithms with Homologous Crossover, Genetic Programming and Evolvab

基于互信息的语义模式定理和遗传编程 背景 遗传算法中的模式定理 所谓模式(schema)是指在搜索空间中一组具有某些共同特征的点的集合。模式的定义最早在遗传算法领域由Holland提出，他认为遗传算法中的模式是带有Don’t care (*)的位串(string)，Don’t care部分的比特既可以是0也可以是1，因此一个模式实际上代表了若干种不同的个体。进一步地，Holland提出了模式

PolyGP：一种多态遗传编程 PolyGP是由Tina Yu和Chris Clack[1]共同设计的一种遗传编程算法。PolyGP借用了STGP[2]中的参数多态的思想并进一步延伸，并使用了Robinson的合一算法(Unification Algorithm)[3]改进了STGP中创建个体为了符合类型合法而导致的链表式结构的问题。PolyGP中最大的改动是将Koza的标准遗传算法中的个体表示