Laboratorio de aprendizaje
Genetic Programming
Cómo evolucionan los programas para resolver problemas
Aprende cómo una computadora puede generar, evaluar, combinar y modificar programas para encontrar soluciones a problemas sin que tengamos que especificar previamente la estructura de la solución.
Animación conceptual.
Ruta de aprendizaje
Cinco semanas para comprender GP
Tu progreso se guarda únicamente en este navegador.
Fundamentos
¿Qué es Genetic Programming?
El ciclo evolutivo
Vocabulario esencial
GA frente a GP
Pregunta de reflexión
Representación
Representación mediante árboles
Pregunta de reflexión
Inicialización
Inicialización de la población
Método de inicialización
Full
Grow
Pregunta de reflexión
Evaluación
Fitness y evaluación
RMSE = √( (1/n) · Σ (yᵢ − ŷᵢ)² )
Valores reales y predicciones
Pregunta de reflexión
Selección
Selección por torneo
Población
Tamaño del torneo (k)
Registro del torneo
Presión selectiva.
Pregunta de reflexión
Operador
Crossover de subárboles
Modo
Progenitor A
Punto de cruce:
Subárbol A:
Expresión:
Progenitor B
Punto de cruce:
Subárbol B:
Expresión:
Descendiente A
Expresión: —
Descendiente B
Expresión: —
Pregunta de reflexión
Operador
Mutación de subárbol
Tipo de mutación
Elección del nodo
Antes
Subárbol nuevo
Después
Expresión anterior
—Expresión posterior
—Dos tipos de modificación
Pregunta de reflexión
Todo junto
Simulador de Genetic Programming
Cómo funciona esta implementación
Parámetros
Probabilidad de mutación Pm = 1 − Pc:
- Generación
- 0
- Mejor RMSE
- —
- RMSE promedio
- —
- Tamaño promedio
- —
- Diversidad
- —
- Última generación
- —
Mejor expresión encontrada
- RMSE sobre los 5 datos
- RMSE en 8 puntos nuevos
- Tamaño
Mejor RMSE por generación
RMSE promedio por generación
Tamaño promedio de los árboles
Diversidad de la población
Historial de evolución
Prueba con 10 semillas
Pregunta de reflexión
Aplicaciones
Cinco aplicaciones reales de GP
Pregunta de reflexión
Recursos