Comparison of Genetic Programming Variants in the Symbolic Regression Task

Tato práce se zabývá porovnáváním různých variant genetického programování v úloze symbolické regrese. Na zadaných úlohách zkoumá rychlost konvergence a kvalitu nalezeného řešení. Klade si za cíl porovnat kartézské genetické programování, stromové genetické programování a jejich modifikace pomocí koevoluce. Byla použita vlastní implementace (bez využití knihoven), kde jednotlivé varianty spolu sdílí převážnou část kódu. Součástí práce je i ověření použitelnosti implementovaných přístupů při analýze reálných dat. Na základě experimentů bylo zjištěno, že všechny zkoumané přístupy jsou použitelné pro provádění symbolické regrese. Nejlepších výsledků ve zkoumaných oblastech (rychlost konvergence, kvalita nalezeného řešení) dosahovalo kartézské genetické programování s koevolucí. This thesis deals with comparison of genetic programming variants it the task of symbolic regression. Time to converge and quality of evolved solutions are evaluated on nine chosen benchmarks. In particular, tree-based genetic programming, cartesian genetic programming and their modifications using coevolutionary algorithm are investigated. An own implementation of employed methods (without a specific library use) allows to share as much code as possible. Moreover, an analysis of implemented methods efficiency on real world data is provided. Experimental results show that all of the investigated approaches are capable of finding solutions using symbolic regression. Cartesian genetic programming enhanced with coevolution seems to be the most suitable of the investigated approaches in terms of evolved solution quality and time to converge.