Comparison of Gene Expression Programming with other genetic algorithms

Celem niniejszej pracy jest stworzenie biblioteki do ewolucyjnego tworzenia programów algorytmami Genetic Programming (GP), Gene Expression Programming (GEP) i Multi Expression Programming (MEP), a następnie sprawdzenie jej działania na czterech zadaniach testowych. Planowanymi celami biblioteki jest łatwość zastosowania do nowych problemów, oraz możliwość zastosowania różnych metod optymalizacyjnych przy jednokrotnej definicji problemu. Wyniki eksperymentów usprawiedliwiają dostarczenie kilku metod programowania genetycznego w ramach jednej biblioteki. Żaden algorytm nie miał zadowalającej skuteczności w każdym zadaniu. Problemy sztucznej mrówki i 6-multipleksera były najlepiej rozwiązywane przez GP. Zadania regresji symbolicznej i klasyfikacji irysów za pomocą drzew decyzyjnych najskuteczniej rozwiązywał GEP z automatycznie definiowanymi funkcjami. Przebadano także działanie różnych sposobów kodowania stałych liczbowych, oraz mechanizmów obsługi błędów w generowanych programach. Otrzymane wyniki sugerują, iż szczegóły te nie mają znaczenia. Ostatnim rezultatem jest nowy operator genetyczny transpozycji MEP. Operator ten znacząco polepszył działanie algorytmu w zadaniu sztucznej mrówki, nie zmieniając skuteczności w pozostałych zadaniach.

The goal of this thesis is to create a library for automatic generation of computer programs using Genetic Programming (GP), Gene Expression Programming (GEP) and Multi Expression Programming (MEP), and then to test it on four benchmark problems. The main goal of the new library is the ease of application for new problems, and ability to apply several optimization algorithms reusing the same problem definition. Experimental results justify supplying several genetic programming algorithms within a single package. No algorithm achieved satisfactory performance in all tasks. The artificial ant and 6-multiplexer problems were solved with least effort using GP. For symbolic regression and classification of irises with decision trees, GEP with automatically defined functions was the most efficient. Also tested were different methods of encoding numberical constants, and means of handling evaluation errors in generated programs. The results suggest that these details are irrelevant. The last result is a new genetic operator, MEP transposition. This operator significantly improved efficiency of the algorithm in artificial ant problem, while not affecting the performance in other tasks.