摘要
Peter J.Bentley和Soo Ling Lim。 2017.使用笛卡尔遗传编程实现办公室传感器数据的容错融合。 2017年IEEE计算智能(SSCI)研讨会系列。 IEEE,1--8。 谷歌学者 博尔贾·卡尔沃(Borja Calvo)、乔苏·塞贝里奥(Josu Ceberio)和何塞·洛扎诺(Jose A.Lozano)。 2018.算法排名分析的贝叶斯推断。 《遗传和进化计算会议论文集》(日本京都)(GECCO’18)。 美国纽约州纽约市计算机协会,324--325。 https://doi.org/10.1145/3205651.3205658 谷歌学者 数字图书馆 M.柯林斯。 2005年,在干草堆中发现针头因中立而更加困难。 《第七届遗传与进化计算年会论文集》(美国华盛顿特区)(GECCO’05)。 计算机协会,美国纽约州纽约市,1613-1618年。 https://doi.org/10.1145/1068009.1068282 谷歌学者 数字图书馆 亨宁·崔(Henning Cui)、安德烈亚斯·马格拉夫(Andreas Margraf)和约格·哈纳(Jörg Hähner)。 2022.在笛卡尔遗传编程中精炼变异。 在《生物启发优化方法及其应用》中,Marjan Mernik、Tome Eftimov和Matej Co repinšek(编辑)。 施普林格国际出版公司,查姆,185-200。 谷歌学者 Brian W.Goldman和William F.Punch。 2013.笛卡尔遗传规划中的长度偏差和搜索限制。 《第十五届遗传与进化计算年会论文集》(荷兰阿姆斯特丹)(GECCO’13)。 计算机械协会,美国纽约州纽约市,933-940。 https://doi.org/10.1145/2463372.2463482 谷歌学者 数字图书馆 Brian W.Goldman和William F.Punch。 2013年,减少笛卡尔遗传编程中的浪费评估。 在遗传编程方面,Krzysztof Krawiec、Alberto Moraglio、Ting Hu、A.íima Etaner-Uyar和Bin Hu(编辑)。 施普林格柏林海德堡,柏林,海德堡,61-72。 谷歌学者 Brian W.Goldman和William F.Punch。 2015.笛卡尔遗传编程进化机制分析。 IEEE进化计算汇刊19,3(2015),359--373。 https://doi.org/10.109/TEVC.2014.2324539 谷歌学者 数字图书馆 沃尔夫冈·霍尔曼(Wolfgang Hörmann)、约瑟夫·莱多德(Josef Leydold)和格哈德·德夫林格(Gerhard Derflinger)。 2004年,离散分布。 施普林格-柏林-海德堡,柏林,海德堡。 https://doi.org/10.1007/978-3-662-05946-3_10 谷歌学者 雅库布·胡萨和罗曼·卡尔克鲁斯。 2018年,笛卡尔遗传规划交叉比较研究。 在遗传编程方面,Mauro Castelli、Lukas Sekanina、Mengjie Zhang、Stefano Cagnoni和Pablo García-Sánchez(编辑)。 施普林格国际出版社,查姆,203-219。 谷歌学者 罗曼·卡尔克鲁斯。 2022.笛卡尔遗传编程中的表型复制和反转在布尔函数学习中的应用。 《遗传与进化计算会议论文集》(马萨诸塞州波士顿)(GECCO’22)。 美国纽约州纽约市计算机协会,566-569。 https://doi.org/10.1145/3520304.3529065 谷歌学者 数字图书馆 罗曼·卡尔克鲁斯(Roman Kalkreuth)、格林特·鲁道夫(Günter Rudolph)和安德烈·德罗辛斯基(Andre Droschinsky)。 2017.笛卡尔遗传编程的新子图交叉。 在遗传编程方面,詹姆斯·麦克德莫特(James McDermott)、毛罗·卡斯泰利(Mauro Castelli)、卢卡斯·塞卡尼娜(Lukas Sekanina)、埃弗特·哈斯迪克(Evert Haasdijk)和巴勃罗·加西亚·桑切斯(Pablo García-Sánchez)(编辑。 施普林格国际出版社,查姆,294--310。 谷歌学者 保罗·考夫曼和罗曼·卡尔克鲁斯。 2017.笛卡尔遗传规划参数化的实证研究。 《遗传和进化计算会议论文集》(德国柏林)(GECCO’17)。 美国纽约州纽约市计算机协会,231--232。 https://doi.org/10.1145/3067695.3075980 谷歌学者 数字图书馆 保罗·考夫曼和罗曼·卡尔克鲁斯。 2020年。关于笛卡尔遗传规划的参数化。 2020年IEEE进化计算大会(CEC)。 1--8. https://doi.org/10.109/CEC48606.2020.9185492 谷歌学者 数字图书馆 约翰·克鲁斯克(John K.Kruschke)。 2013年,贝叶斯估计取代了t检验。 《实验心理学杂志:总论》142,2(2013),573。 谷歌学者 交叉引用 Andreas Margraf、Anthony Stein、Leonhard Engstler、Steffen Geinitz和Jorg Hahner。 2017年,在碳纤维故障检测的背景下,采用进化学习方法对图像管道进行自我塑造。 2017年第16届IEEE机器学习与应用国际会议(ICMLA)。 IEEE,第147-154页。 谷歌学者 交叉引用 朱利安·米勒和P.汤姆森。 2000.笛卡尔遗传编程。 程序中。 欧洲遗传规划会议,第1802卷。 施普林格,121-132。 谷歌学者 朱利安·米勒、P·汤姆森和T·福格蒂。 1999.使用进化算法设计电子电路。 算术电路:案例研究。 工程和计算机科学中的遗传算法和进化策略(1999年10月)。 谷歌学者 朱利安·米勒(Julian F.Miller)。 2011.笛卡尔遗传编程。 施普林格-柏林-海德堡,柏林,海德堡。 https://doi.org/10.1007/978-3-642-17310-3_2 谷歌学者 朱利安·弗朗西斯·米勒。 2020年。笛卡尔遗传规划:现状和未来。 遗传编程和进化机器21,1(2020年6月1日),129--168。 https://doi.org/10.1007/s10710-019-09360-6 谷歌学者 数字图书馆 安德鲁·佩恩(Andrew J.Payne)和苏珊·斯蒂芬尼(Susan Stepney)。 2009年,CGP中的代表性和结构性偏见。 2009年IEEE进化计算大会。 1064--1071. https://doi.org/10.1109/CEC.2009.4983064 谷歌学者 温泽尔·皮拉尔·冯·皮尔肖(Wenzel Pilar von Pilchau)、大卫·帕泽尔(David Pätzel)、安东尼·斯坦因(Anthony Stein)和约格·哈纳(Jörg Hähner)。 2023.利用合成经验对全行动空间进行深度Q-网络更新。 2023年,国际神经网络联合会议(IJCNN)即将召开。 谷歌学者 大卫·帕泽尔。 2023年。cmpbayes。 https://github.com/dpaetzel/cmpbayes.commit=4de0abc37ee28b35267db173d32bb96ca9e69236。 谷歌学者 Masanori Suganuma、Masayuki Kobayashi、Shinichi Shirakawa和Tomoharu Nagao。 2020年。使用笛卡尔遗传编程的深度卷积神经网络的进化。 进化计算28,1(2020年3月),141--163。 https://doi.org/10.1162/evco_a_00253 arXiv: https://direct.mit.edu/evco/article-pdf/28/1/141/2020362/evco_a_00253.pdf 谷歌学者 数字图书馆 Ali Torabi、Arash Sharifi和Mohammad Teshnehlab。 2022.使用带有新交叉技术的笛卡尔遗传规划方法设计卷积神经网络。 神经处理信件(2022年12月1日)。 https://doi.org/10.1007/s11063-022-11093-0 谷歌学者 数字图书馆 安德鲁·詹姆斯·特纳和朱利安·弗朗西斯·米勒。 2015年,中性遗传漂变:使用笛卡尔遗传编程进行的调查。 遗传编程和进化机器16,4(2015年12月1日),531--558。 https://doi.org/10.1007/s10710-015-9244-6 谷歌学者 数字图书馆 Vesselin K.Vassilev和Julian F.Miller。 2000.数字电路发展中景观中性的优势。 《进化系统:从生物学到硬件》(In Evolvable Systems:From Biology to Hardware),朱利安·米勒(Julian Miller)、阿德里安·汤普森(Adrian Thompson)、彼得·汤姆森(Peter Thomson)和特伦斯·福格蒂(Terence C.Foga。 施普林格-柏林-海德堡,柏林,海德堡。 谷歌学者 数字图书馆 詹姆斯·阿尔弗雷德·沃克和朱利安·弗朗西斯·米勒。 2008年,笛卡尔遗传编程中模块的自动获取、进化和重用。 IEEE进化计算汇刊12,4(2008),397-417。 https://doi.org/10.1109/TEVC207.903549 谷歌学者 数字图书馆 英戈·韦格纳。 2005.复杂性理论:探索高效算法的局限性。 施普林格科技与商业媒体。 谷歌学者 大卫·怀特(David White)、詹姆斯·麦克德莫特(James Mcdermott)、毛罗·卡斯泰利(Mauro Castelli)、卢卡·曼佐尼(Luca Manzoni)、布赖恩·戈德曼(Brian Goldman)、加布里埃尔·克伦伯格(Gabriel Kronberger)、沃伊西奇·贾希·科斯基(Wojciec。 2013.更好的GP基准:社区调查结果和建议。 遗传编程和进化机器14(2013年3月),3-29。 谷歌学者 丹尼斯·威尔逊(Dennis G.Wilson)、朱利安·米勒(Julian F.Miller)、西尔万·库萨特·布兰科(Sylvain Cussat-Blanc)和埃尔维·卢加(HervéLuga)。 2018年,位置笛卡尔遗传编程。 arXiv预印arXiv:1810.04119(2018)。 谷歌学者 蒂娜·余(Tina Yu)和朱利安·米勒(Julian Miller)。 2001.布尔函数景观的中立性和可进化性。 朱利安·米勒(Julian Miller)、马可·托马西尼(Marco Tomassini)、皮尔·卢卡·兰齐(Pier Luca Lanzi)、康诺·瑞恩(Conor Ryan)、安德烈亚·特塔曼齐(Andrea G.B.Tettamanzi)和威廉·兰登(William B.Langdon)(编辑。 施普林格-柏林-海德堡,柏林,海德堡。 谷歌学者 蒂娜·余(Tina Yu)和朱利安·米勒(Julian Miller)。 2002年。中立不难在干草堆里找到针。 在欧洲遗传编程会议上。 施普林格,13-25。 谷歌学者 交叉引用
建议
笛卡尔遗传规划的两种新的变异技术 IJCCI 2019:第十一届国际计算智能联合会议记录 笛卡尔遗传规划通常使用点突变作为唯一的遗传算子。 在本文中,我们提出了两种表型突变技术,并在笛卡尔遗传规划中朝高级表型突变迈出了一步。 这个。。。 用笛卡尔遗传规划求解实值优化问题 GECCO’07:第九届遗传和进化计算年会论文集 经典进化规划(CEP)和快速进化规划(FEP)已应用于实值函数优化。 这两种技术都直接演化出实值,即实值函数的自变量。 在此。。。