English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Los algoritmos metaheuristicos han demostrado tener un importante papel en la resolucion de problemas de busqueda y optimizacion complejos. La programacion genetica guiada por gramaticas es una tecnica de optimizacion metaheuristica, enmarcada dentro del campo de la computacion natural, que permite manejar soluciones de dimension variable. No obstante, aunque es un metodo metaheuristico, muestra ciertas limitaciones en la resolucion de problemas con gramaticas libre de contexto que generan espacios de busqueda grandes. Concretamente, cuando se generan arboles de derivacion grandes o el conjunto de simbolos terminales tiene una alta cardinalidad. El trabajo de investigacion presentado en esta tesis muestra que la inicializacion de poblaciones y los operadores de modificacion son las principales causas de estas limitaciones. Los metodos de inicializacion de poblaciones existentes no generan generan muestras representativas del espacio de busqueda. Por su parte, los operadores de modificacion son altamente exploratorios o demasiado destructivos, por lo que no son capaces de guiar el proceso de optimizacion de forma adecuada. Con el fin de disminuir o resolver el efecto de estas limitaciones se presentan tres contribuciones principales: un metodo de inicializacion de poblaciones gramaticalmente uniforme, un operador de cruce basado en la estimacion de distribucion de poblaciones y un metodo de optimizacion cooperativa asincrono que permite trabajar con gramaticas con una alta cardinalidad del conjunto de simbolos terminales. Los experimentos realizados muestran las ventajas de utilizar estas tecnicas originales en la resolucion de problemas con las caracteristicas antes mencionadas. Se han disenado problemas de laboratorio con el fin de mostrar las limitaciones de las tecnicas actuales en GGGP. Asimismo, se han llevado a cabo experimentos de forma satisfactoria con problemas cuyos espacios de busqueda son grandes para la busqueda y optimizacion de distintos tipos sistemas inteligentes. ABSTRACT Metaheuristic algorithms have shown an important role in the resolution of complex search and optimization problems. Grammar guided genetic programming is a metaheuristic optimization technique within natural computing that works with solutions of variable size. However, although it is a metaheuristic method, it has shown some limitations when solving problems using context free grammars that generate large search spaces. Concretely, when they generate large derivation trees or possess a high cardinality terminal symbol set. The presented research work has determined the population initialization and the variation operators as the main causes of these limitations. Population initialization methods are unable to generate a representative sample of the search space. The variation operators are either very explorative or too destructive, being unable to actively guide the optimization process. To address these limitations, three major contributions are presented: a grammatically uniform population initialization, an estimation of distribution crossover operator and an asynchronous endosymbiotic co-optimization technique designed to work with high cardinality terminal symbol sets. The performed experiments show the advantages of using these novel techniques when solving problems with the above-mentioned characteristics. To such aim, laboratory experiments have been designed to highlight the limitations of the current GGGP methods. Moreover, experiments have been also successfully performed with large search spaced problems involving search and optimization of different types of intelligent systems.

New techniques for Grammar Guided Genetic Programming: dealing with large derivation trees and high cardinality terminal symbol sets