Generaliseringsförmåga vid genetisk programmering
Genetisk ProgrammeringGeneraliseringComplexity parsimony pressureAdaptive parsimony pressurePenalty functionsBloat
I detta arbete undersöks hur bestraffningsmetoder för att bestraffa storleken på GP-program påverkar generaliseringsförmågan. Arbetet grundar sig på ett arbete som Cavaretta och Chellapilla gjort, där de undersöker skillnaden i generaliseringsförmåga mellan bestraffningsmetoden ?Complexity Penalty functions? och ingen bestraffningsmetod.I detta arbete har nya experiment gjorts med ?Complexity Penalty functions? och ?Adaptive parsimony pressure?, som är en annan bestraffningsmetod. Dessa bestraffningsmetoder har undersökts i samma domän som Cavaretta och Chellapilla och ytterligare i en domän för att ge en bättre bild av hur de generaliserar.I arbetet visar det sig att användningen av någon av bestraffningsmetoderna ?Complexity Penalty functions? och ?Adaptive parsimony pressure? oftast ger bättre generaliseringsförmåga hos GP-program. Detta motsäger det Cavaretta och Chellapilla kommer fram till i sitt arbete. ?Adaptive parsimony pressure? verkar också vara bättre på att generalisera än ?Complexity Penalty functions?.