Study on Learning and Evolution of Genetic Network Programming and Its Application

遗传网络规划的学习进化及其应用研究

• 批准号: 17360186
• 负责人: HIRASAWA Kotaro
• 金额: $ 9.48万
• 依托单位: Waseda University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (B)
• 财政年份: 2005
• 资助国家: 日本
• 起止时间: 2005 至 2007
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-17360186/
• 关键词: Evolutionary computation; Genetic Algorithm; Genetic Programming; Data mining; Association rules; 進化型計算; 学習; 共生; 機能局在; マクロノード; 進化; ニューラルネットワーク

Genetic Algorithm (GA), a method which imitates nature and living things, was proposed as a model which explains the adaptive process of the system of nature. In addition, Genetic Programming (GP) was proposed to deal with knowledge expression, programs, concept trees and so on. Many algorithms of these kinds of evolutionary computations have been developed and applied to real world problems. However, these methods represent their solutions using strings or tree structures, so the abilities of representing solutions and the evolution are not enough in terms of the system modeling and the optimization. Therefore, Genetic Network Programming was proposed and its effectiveness was confirmed. In this research, the following extensions and the real world applications of GNP are studied.1. Extensions of GNPCombination of learning and evolution, function localized GNP, GNP with Macro nodes, GNP with Symbiotic learning and evolution, Variable-size GNP2. Applications of GNPElevator Group Supervisory Control Systems, Data Mining, Stock Trading Model In GNP, judgment nodes and processing nodes are connected with directed links with each other. The graph structure contributes to reusing nodes, good expression ability, simplicity of understanding the algorithms and good performance of evolution. In addition, unlike Finite Automata, GNP uses only the necessary information at the current time to judge the situation, so GNP can be evolved under Partially Observable Markov Decision Process. As a result, the applicable field of GNP can be extended.

遗传算法（GA）是一种模仿自然和生物的方法，是一种模型，该模型解释了自然体系的适应性过程。此外，提出了遗传编程（GP）来处理知识表达，程序，概念树等。这些进化计算的许多算法已经开发并应用于现实世界中的问题。但是，这些方法使用字符串或树结构代表其解决方案，因此代表解决方案和进化的能力在系统建模和优化方面不足。因此，提出了遗传网络编程，并确认其有效性。在这项研究中，研究了GNP的以下扩展和现实世界应用。1。 GNPCombination和Evolution的GNPCombination的扩展，功能局部GNP，具有宏节点的GNP，具有共生学习和进化的GNP，可变大小的GNP2。 GNPELEVATOR组监督控制系统，数据挖掘，GNP中的股票交易模型，判断节点和处理节点的应用与彼此的有针对性链接相连。图结构有助于重用节点，良好的表达能力，理解算法的简单性和良好的进化性能。此外，与有限的自动机不同，GNP在当前时间仅使用必要的信息来判断情况，因此可以在可观察到的马尔可夫决策过程中进化GNP。结果，可以扩展适用的GNP领域。

项目成果

Basic Study of Elevator Group Supervisory Control System using Genetic Network Programming

基于遗传网络编程的电梯群监控系统基础研究

• 发表时间: 2005
• 期刊: IEEJ Trans EIS Vol. 125, No. 7
• 作者: T. Eguchi;J. Zhou;K. Hirasawa;T Furuzuki;M. Sandor
• 通讯作者: M. Sandor

プログラムサイズ可変型マクロノードつき遣伝的ネットワークプログラミング

具有可变程序大小宏节点的通用网络编程

• 发表时间: 2006
• 期刊: 電気学会論文誌C 126(4)
• 作者: 間普;畠山;中越;平澤;古月
• 通讯作者: 古月

重要度付きGenetic Network Programmingを用いた株式売買モデル

使用遗传网络编程的股票交易模型具有重要性

• 发表时间: 2006
• 期刊: 自動制御学会論文集 42(5)
• 作者: 泉;平澤;古月
• 通讯作者: 古月

Realizing Functional Localization Using Genetic Network Programming with Important Index

利用重要指标遗传网络规划实现功能定位

• 发表时间: 2006
• 期刊: Journal of Advanced Computational Intelligence and Intelligent Informatics 10
• 作者: K.Taboada;E.Gonzales;K.Shimada;S.Mabu;K.Hirasawa;J.Hu;S. Eto
• 通讯作者: S. Eto

Trading Rules on Stock Markets Using Genetic Network Programming with Candle Chart

利用蜡烛图遗传网络编程的股票市场交易规则

• 发表时间: 2007
• 期刊: T. SICE Vol. 43, No. 4
• 作者: S. Mabu;Y. Izumi;K Hirasawa;T. Furuzuki
• 通讯作者: T. Furuzuki