A long-standing problem in evolutionary computation consists in how to choose an appropriate representation for the solutions. In this work we investigate the feasibility of synthesizing a representation automatically, for the large class of problems whose solution spaces can be defined by a context-free grammar. We propose a framework based on a form of meta-evolution in which individuals are candidate representations expressed with an ad hoc language that we have developed to this purpose. Individuals compete and evolve according to an evolutionary search aimed at optimizing such representation properties as redundancy, uniformity of redundancy, and locality. We assessed experimentally three variants of our framework on established benchmark problems and compared the resulting representations to human-designed representations commonly used (e.g., classical grammatical evolution). The results are promising as the evolved representations indeed exhibit better properties than the human-designed ones. Furthermore, the evolved representations compare favorably with the human-designed baselines in search effectiveness as well. Specifically, we select a best evolved representation as the representation with best search effectiveness on a set of learning problems and assess its effectiveness on a separate set of challenging validation problems. For each of the three proposed variants of our framework, the best evolved representation exhibits an average fitness rank on the set of validation problems that is better than the average fitness rank of the human-designed baselines on the same problems.

中文翻译：

---

自动设计语法演变的表示

进化计算中一个长期存在的问题在于如何为解决方案选择合适的表示。在这项工作中，我们研究了自动合成表示的可行性，对于解决空间可以由上下文无关文法定义的大类问题。我们提出了一个基于元进化形式的框架，其中个体是用我们为此目的开发的临时语言表达的候选表示。个体根据旨在优化诸如冗余、冗余均匀性和局部性等表示特性的进化搜索来竞争和进化。我们在既定的基准问题上通过实验评估了我们框架的三个变体，并将结果表示与常用的人工设计表示进行了比较（例如，古典语法演变）。结果很有希望，因为进化的表示确实比人类设计的表示表现出更好的特性。此外，进化后的表示在搜索有效性方面也与人工设计的基线相媲美。具体来说，我们选择一个最佳进化表示作为在一组学习问题上具有最佳搜索效率的表示，并评估其在一组单独的具有挑战性的验证问题上的有效性。对于我们框架的三个提议变体中的每一个，最佳进化表示在验证问题集上表现出的平均适应度等级优于人类设计的基线在相同问题上的平均适应度等级。结果很有希望，因为进化的表示确实比人类设计的表示表现出更好的特性。此外，进化后的表示在搜索有效性方面也与人工设计的基线相媲美。具体来说，我们选择一个最佳进化表示作为在一组学习问题上具有最佳搜索效率的表示，并评估其在一组单独的具有挑战性的验证问题上的有效性。对于我们框架的三个提议变体中的每一个，最佳进化表示在验证问题集上表现出的平均适应度等级优于人类设计的基线在相同问题上的平均适应度等级。结果很有希望，因为进化的表示确实比人类设计的表示表现出更好的特性。此外，进化后的表示在搜索有效性方面也与人工设计的基线相媲美。具体来说，我们选择一个最佳进化表示作为在一组学习问题上具有最佳搜索效率的表示，并评估其在一组单独的具有挑战性的验证问题上的有效性。对于我们框架的三个提议变体中的每一个，最佳进化表示在验证问题集上表现出的平均适应度等级优于人类设计的基线在相同问题上的平均适应度等级。进化后的表示在搜索效率方面也与人工设计的基线相媲美。具体来说，我们选择一个最佳进化表示作为在一组学习问题上具有最佳搜索效率的表示，并评估其在一组单独的具有挑战性的验证问题上的有效性。对于我们框架的三个提议变体中的每一个，最佳进化表示在验证问题集上表现出的平均适应度等级优于人类设计的基线在相同问题上的平均适应度等级。进化后的表示在搜索效率方面也与人工设计的基线相媲美。具体来说，我们选择一个最佳进化表示作为在一组学习问题上具有最佳搜索效率的表示，并评估其在一组单独的具有挑战性的验证问题上的有效性。对于我们框架的三个提议变体中的每一个，最佳进化表示在验证问题集上表现出的平均适应度等级优于人类设计的基线在相同问题上的平均适应度等级。