A comparison of representations in grammar-guided genetic programming in the context of glucose prediction in people with diabetes

Resumen

La representación de individuos en Programación Genética (GP) tiene un gran impacto en el proceso evolutivo. En trabajos previos, investigamos el proceso evolutivo de tres métodos de GP Guiada por Gramática (GGGP), Programación Genética con Gramáticas Libres de Contexto (CFG-GP), Evolución Gramatical (GE) y Evolución Gramatical Estructurada (SGE), en el contexto del problema complejo del mundo real de predecir el nivel de glucosa de personas con diabetes dos horas antes de tiempo. Concluimos que la elección de representación es más impactante con una profundidad máxima mayor, y que CFG-GP explora mejor el espacio de búsqueda para árboles más profundos, logrando mejores resultados. Además, encontramos que CFG-GP depende más de la construcción de características, mientras que GE y SGE dependen más de la selección de características. Adicionalmente, alteramos los métodos GGGP de dos maneras: usando selección lexicaso, que resolvió el problema de sobreajuste de CFG-GP y lo ayuda a adaptarse a pacientes con alta variabilidad de glucosa; y con una penalización de árboles complejos, para crear árboles más interpretables. Combinar selección lexicaso con CFG-GP funcionó mejor. En este trabajo, extendemos el trabajo previo y evaluamos el impacto de los métodos de inicialización en la calidad de las soluciones. Encontramos que no tienen impacto significativo, incluso cuando el cambio de representación sí lo tiene.

Citar Esta Publicación

Ingelse, L., Hidalgo, J.I., Colmenar, J.M. et al. A comparison of representations in grammar-guided genetic programming in the context of glucose prediction in people with diabetes. Genet Program Evolvable Mach 26, 5 (2025).