Resumen

En 2012, Moraglio y sus coautores introdujeron nuevos operadores genéticos para la Programación Genética, llamados operadores genéticos semánticos geométricos. Tienen la interesante ventaja de inducir una superficie de error unimodal para cualquier problema de aprendizaje supervisado. Al mismo tiempo, tienen el importante inconveniente de generar modelos de datos muy grandes que suelen ser muy difíciles de entender e interpretar. El objetivo de este trabajo es paliar este inconveniente, manteniendo su ventaja. En concreto, proponemos una versión elitista de los operadores semánticos geométricos, en la que los descendientes son aceptados en la nueva población sólo si tienen mejor aptitud que sus padres. Presentamos pruebas experimentales, en cinco complejos problemas de prueba de la vida real, de que esta sencilla idea nos permite obtener resultados de una calidad comparable (en términos de aptitud), pero con modelos de datos mucho más pequeños, en comparación con los operadores semánticos geométricos estándar. En la parte final del artículo, también explicamos la razón por la que consideramos que se trata de una mejora significativa, mostrando que los operadores elitistas propuestos generan modelos manejables, mientras que los modelos generados por los operadores estándar tienen un tamaño tan grande que pueden considerarse inmanejables.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:operador semántico geométrico, modelo de datos más pequeño, superficie de error unimodal, operador genético semántico, modelo de datos grande, términos de aptitud, nuevo operador genético, operador elitista propuesto, problema de aprendizaje supervisado, problema de prueba de vida
• Keywords:geometric semantic operator, smaller data model, unimodal error surface, semantic genetic operator, large data model, terms of fitness, new genetic operator, proposed elitist operator, supervised learning problem, life test problem