Genetiese Programmering Trading System

Die skep van 'n Trading System binne Trading System Lab Trading System Lab sal outomaties genereer Trading Systems op enige mark in 'n paar minute met behulp van 'n baie gevorderde rekenaarprogram bekend as 'n AIMGP (outomatiese Induksie van masjienkode met genetiese programmering). Skepping van 'n Trading System binne Trading System Lab word bereik in 3 maklike stappe. In die eerste plek is 'n eenvoudige voorverwerker loop wat outomaties uittreksels en preprocesses die nodige inligting uit die mark wat jy wil om te werk met. TSL aanvaar CSI, Meta, AIQ, TradeStation, Free Internet data, ASCII, TXT, CSV, CompuTrac, DowJones, Futuresource, TeleChart2000v3, TechTools, XML, Binary en Internet Streaming data. Tweedens, die Trading System Generator (GP) is hardloop vir 'n paar minute, of meer, om 'n nuwe Trading System ontwikkel. Jy kan jou eie data, patrone, aanwysers, Intermarket verhoudings of fundamentele data gebruik binne TSL. Derde, is die ontstaan ​​Trading System geformateer om nuwe Trading System seine produseer vanuit TradeStation of vele ander handel platforms. TSL sal outomaties skryf Maklik taal, Java, Assembler, C-kode, C-kode en WealthLab script taal. Die Trading System kan dan met die hand verhandel, verhandel deur 'n makelaar, of outomaties verhandel. Jy kan die Trading System jouself te skep of kan ons dit vir jou doen. Dan kan jy of jou makelaar die stelsel óf met die hand of outomaties handel. Trading System Labs Genetiese Program bevat verskeie kenmerke wat die moontlikheid van krommepassing verminder, of die vervaardiging van 'n Trading System wat nie voortgaan om uit te voer in die toekoms. In die eerste plek het die ontstaan ​​Trading Systems hul grootte gesnoei af na die laagste moontlike grootte deur wat Parsimony Druk genoem, teken van die konsep van 'n minimale beskrywing lengte. So het die gevolglike Trading System is so eenvoudig as moontlik en dit is algemeen geglo dat die eenvoudiger die handel stelsel is, hoe beter sal dit uit te voer in die toekoms. In die tweede plek is willekeur opgeneem in die evolusionêre proses, wat die moontlikheid van die vind van oplossings wat plaaslik is verminder, maar nie globaal optimum. Ewekansigheid is ingestel oor nie net die kombinasies van die genetiese materiaal wat gebruik word in die ontstaan ​​Trading Systems, maar in Parsimony druk, mutasie, Crossover en ander hoër-vlak GP parameters. Uit Voorbeeld toets uitgevoer word, terwyl opleiding is aan die gang met statistiese inligting wat op beide die In Voorbeeld en uit Voorbeeld Trading System toets. Begin logs word aan die gebruiker vir opleiding, Validering en Uit Voorbeeld data. Goed gedra Uit Voorbeeld prestasie kan 'n aanduiding dat die handel stelsel is ontwikkel met robuuste eienskappe wees. Aansienlike verswakking in die outomatiese Uit Voorbeeld toets in vergelyking met die in die monster toets kan daardie skepping van 'n robuuste Trading System impliseer is in twyfel of dit die terminale, of insette Stel mag nodig wees om te verander. Ten slotte, is die Terminal Stel versigtig gekies word om nie té afvallig die keuse van die aanvanklike genetiese materiaal na 'n bepaalde mark vooroordeel of sentiment. TSL begin nie sy lopie met 'n Trading System gedefinieerde. Trouens, net die Input Stel en 'n seleksie van die mark inskrywing af of modes, vir 'n outomatiese inskrywing soek en opdrag, is aanvanklik gemaak. 'N patroon of aanwyser gedrag wat van 'n lomp situasie kan gedink kan word, weggegooi of omgekeerde binne die GP. Geen patroon of aanwyser is pre-opgedra aan 'n bepaalde mark beweging vooroordeel. Dit is 'n radikale afwyking van die hand gegenereer Trading System ontwikkeling. 'N Trading System is 'n logiese stel instruksies wat die handelaar vertel wanneer om te koop of te verkoop 'n spesifieke mark. Hierdie instruksies benodig selde ingryping deur 'n handelaar. Trading Systems kan met die hand verhandel, deur die waarneming van handel instruksies op 'n rekenaarskerm, of kan verhandel deur toe te laat dat die rekenaar ambagte in die mark outomaties binnegaan. Beide metodes is in wydverspreide gebruik vandag. Daar is meer professionele geld bestuurders wat hulself as Sistematiese of Meganiese handelaars as diegene wat hulself as Diskresionêre, en die prestasie van Sistematiese geld bestuurders is oor die algemeen beter as dié van Diskresionêre geld bestuurders. Studies het getoon dat handel rekeninge algemeen geld verloor meer dikwels as die kliënt nie die gebruik van 'n Trading System. Die beduidende toename in handel stelsels oor die afgelope 10 jaar is duidelik veral in die kommoditeit makelaarsfirmas egter gelykheid en effektemark makelaarsfirmas toenemend bewus van die voordele deur die gebruik van handel stelsels en 'n paar het begin om handel stelsels bied om hul kleinhandel kliënte. Die meeste onderlinge fonds bestuurders is reeds met behulp van gesofistikeerde algoritmes om hul besluite te lei oor wat warm voorraad te tel of wat sektor rotasie is ten gunste. Rekenaars en algoritmes hoofstroom in te belê word en ons verwag dat hierdie tendens sal voortduur as jonger, meer rekenaar vaardig beleggers voortgaan om toe te laat gedeeltes van hul geld deur Trading Systems bestuur moet word om risiko te verminder en opbrengste te verhoog. Die groot verliese ervaar word deur beleggers wat deelneem aan die koop en hou voorrade en wedersydse fondse as die aandelemark gesmelt in die afgelope jaar is die bevordering van hierdie beweging na 'n meer gedissiplineerde en logiese benadering tot aandelemark te belê. Die gemiddelde belegger besef dat hy of sy tans kan baie aspekte van hul lewens en die lewens van hul geliefdes gehandhaaf moet word of beheer word deur rekenaars soos die motors en vliegtuie wat ons gebruik vir vervoer, die mediese diagnostiese toerusting wat ons gebruik vir die gesondheid onderhoud, die verhitting en verkoeling beheerders wat ons gebruik vir temperatuurbeheer, die netwerke wat ons gebruik vir die internet-gebaseerde inligting, selfs die speletjies wat ons speel vir vermaak. Hoekom dan doen 'n paar klein beleggers glo dat hulle kan skiet uit die heup in hul besluite oor wat voorraad of onderlinge fonds te koop of te verkoop en verwag om geld Uiteindelik maak, het die gemiddelde belegger versigtig vir die raad en inligting aangestuur deur gewetenlose makelaars geword , rekenmeesters, korporatiewe hoofde en finansiële adviseurs. Vir die afgelope 20 jaar wiskundiges en sagteware-ontwikkelaars het aanwysers en patrone in voorraad en kommoditeitsmarkte gesoek op soek na inligting wat kan dui op die rigting van die mark. Hierdie inligting kan gebruik word om die prestasie van handel stelsels te verbeter. Oor die algemeen hierdie ontdekking proses word bereik deur 'n kombinasie van trial and error en meer gesofistikeerde data-ontginning. Tipies, sal die ontwikkelaar weke of maande van verwerking van syfers ten einde 'n potensiële Trading System vervaardig neem. Baie keer hierdie Trading System sal nie goed presteer wanneer eintlik gebruik in die toekoms as gevolg van wat genoem word krommepassing. Oor die jare was daar baie Trading Systems (en Trading System ontwikkeling maatskappye) wat gekom en gegaan soos hul stelsels in lewende handel gefaal het. Die ontwikkeling van handel stelsels wat voortgaan om uit te voer in die toekoms is moeilik, maar nie onmoontlik om te bereik, alhoewel daar geen etiese ontwikkelaar of geld bestuurder 'n onvoorwaardelike waarborg dat enige handel stelsel, of vir daardie saak enige voorraad, verband of onderlinge fonds, sal voortgaan sal gee wins vir ewig te produseer in die toekoms. Wat het weke of maande vir die Trading System ontwikkelaar te produseer in die verlede kan nou geproduseer word in minute deur die gebruik van Trading System Lab. Trading System Lab is 'n platform vir die outomatiese generasie van handel stelsels en Trading Indicators. TSL maak gebruik van 'n hoë spoed Genetiese Programmering Engine en sal handel stelsels produseer teen 'n koers van meer as 16 miljoen stelsel-bars per sekonde gebaseer op 56 insette. Let daarop dat slegs 'n paar insette eintlik gaan word of nodig wat lei tot die algemeen eenvoudige ontwikkelde strategie strukture. Met ongeveer 40,000 tot 200,000 stelsels wat nodig is vir 'n konvergensie, tyd na die samevloeiing vir enige datastel kan benader. Let daarop dat ons nie net hardloop 'n brute krag optimalisering van bestaande aanwysers op soek na 'n optimale parameters waaruit om te gebruik in 'n reeds gestruktureer Trading System. Die Trading System Generator begin by 'n nul punt oorsprong maak geen aannames oor die beweging van die mark in die toekoms en dan ontwikkel Trading Systems op 'n baie hoë tempo kombinasie inligting teenwoordig is in die mark en die formulering van nuwe filters, funksies, voorwaardes en verhoudings soos dit vorder na 'n geneties gemanipuleerde Trading System. Die gevolg is dat 'n uitstekende Trading System kan gegenereer word in 'n paar minute op 20-30 jaar van die daaglikse mark data op feitlik enige mark. Oor die afgelope paar jaar is daar verskeie benaderings tot Trading System optimalisering dat die minder kragtige genetiese algoritme in diens gewees het. Genetiese Programme (AP) is beter as genetiese algoritmes (gas) om verskeie redes. In die eerste plek GPS konvergeer op 'n oplossing op 'n eksponensiële koers (baie vinnig en kry vinniger) terwyl Genetiese algoritmes konvergeer op 'n lineêre koers (veel stadiger en geen vinniger kry). In die tweede plek GPS eintlik genereer Trading System masjienkode wat die genetiese materiaal (aanwysers, patrone, inter-mark data) in unieke maniere gekombineer word. Hierdie unieke kombinasies kan nie intuïtief duidelik wees en moenie aanvanklike definisies deur die stelsel ontwikkelaar nie nodig. Die unieke wiskundige verhoudings geskep kan nuwe aanwysers, of variante in Tegniese Analise word, nog nie ontwikkel of ontdek. Gas, aan die ander kant, net kyk vir 'n optimale oplossings soos hulle vorder oor die parameter reeks hulle nie ontdek nuwe wiskundige verhoudings en nie hul eie Trading System kode nie skryf. AP skep Trading System kode van verskillende lengtes, met behulp van veranderlike lengte genome, sal die lengte van die handel stelsel deur wat nie-homoloë crossover genoem verander en sal 'n aanduiding of patroon wat nie bydra tot die doeltreffendheid van die handel stelsel heeltemal te verwyder. Gas gebruik net vaste grootte opdrag blokke, gebruik te maak van slegs homoloë crossover en produseer nie veranderlike lengte Trading System kode, of sal hulle weggooi 'n ondoeltreffende aanwyser of patroon so geredelik as 'n algemene praktisyn. Ten slotte, genetiese Programme is 'n onlangse vooruitgang in die domein van die masjien leer, terwyl Genetiese algoritmes 30 jaar gelede ontdek is. Genetiese programme sluit al die belangrikste funksies van genetiese algoritmes crossover, voortplanting, mutasie en fiksheid egter AP sluit baie vinniger en robuuste funksies, maak AP die beste keuse vir die vervaardiging van handel stelsels. Die GP diens in TSLs Trading System Generator is die vinnigste GP tans beskikbaar en is nie beskikbaar in enige ander finansiële markte sagteware in die wêreld. Die Genetiese Programmering Algoritme, Trading Simulator en fiksheid Engines gebruik binne TSL het meer as 8 jaar te produseer. Trading System Lab is die resultaat van jare se harde werk deur 'n span van ingenieurs, wetenskaplikes, programmeerders en handelaars, en ons glo verteenwoordig die mees gevorderde tegnologie wat vandag beskikbaar is vir die handel die markets. Natural Seleksie: genetiese algoritme vir System Optimization Genetiese Programmering Evo 2 is ons gevorderde genetiese algoritme biblioteek wat die nuutste in genetiese algoritme ontwerp inkorporeer, soos biologies identiese prosesse, epigenetiese skakelaars, gesimuleerde uitgloeiing, Westermarck inteling voorkoming,-ouderdom beperk rekombinasie, en nog baie meer. Die Evo 2 algoritme is nie gebaseer op die standaard enkele chromosoom GA ontwerp. Evo 2 los meerveranderlike optimeringsprobleme vinnig en skubbe goed met kompleksiteit. Die Evo 2 algoritme is ontwerp vir genetiese programmering (outonome skepping van handel stelsels), handel stelsel optimalisering en portefeulje optimalisering. Evo 2 laat ontwikkelaars bou meerveranderlike handel stelsel optimalisaties met gemak. Bio-identiese genoom en Algoritme Evo 2 is nie net bio-geïnspireerd nie, maar dit is 'n bio-identiese in baie aspekte. Evo 2 bes elke natuurlike proses van maat keuse om DNA verpakking en volledige meiose. Die meeste standaard genetiese algoritmes nalaat om die verskeie stappe van meiose wat van kardinale belang om genetiese variasie, 'n uiters belangrike veranderlike in die voorkoms van plaaslike Optima is uit te voer. Profase Gedurende profase, chromosome sinaps en 'n klein hoeveelheid DNA uitgeruil tussen homoloë chromosome deur 'n proses wat bekend staan ​​as oorkruising. Die kritieke deel van profase is die voering-up van tetrads in homoloë pare. Die Evo 2 algoritme verseker dat homo net geskep uit onverwante, teenoorgestelde geslag chromosome. Metafase en Anafase metafase en anafase is die fases waar veel variasie is opgeneem in die genoom egter die meeste genetiese algoritmes heeltemal stappe uit te laat. Evo 2 simuleer beide fases volledig en akkuraat. Geen Inteling toegelaat meeste standaard genetiese algoritmes ingeteel sop, tegnies gesproke. Inteling verminder genetiese variasie, wat om te sê, verhoed stelsels van veranderende en aan te pas by hul omgewing. In standaard gas, beteken dit dat 'n stelsel meer geneig om vas in plaaslike Optima word mag wees. Terwyl die natuur het ten minste drie meganismes om inteling te voorkom, die meeste genetiese algoritmes versuim om hierdie probleem aan te spreek. Die eerste metode: Voorkom nageslag van reproduseer. Inteling lei tot verhoogde homozygosity, wat die kanse van die nageslag kan verhoog word geraak deur resessiewe of nadelige eienskappe. Die tweede meganisme: Ry weg jong mans om bloedskande paring tussen broers en susters te voorkom. Die derde meganisme: Die Westermarck effek. Dit is 'n sielkundige effek waardeur individue wat in die nabyheid is wat tydens die kinderjare desensitized om later seksuele aantrekkingskrag geword. Die finale gevolg van inteling is die uitsterwing van spesies as gevolg van 'n gebrek aan genetiese diversiteit. Die jagluiperd, een van die mees ingeteelde spesie op aarde, is 'n uitstekende voorbeeld. En dit gebeur ook in die gesig staar uitwissing. Twintig duisend jaar gelede, jagluiperds rondgeloop in Afrika, Asië, Europa en Noord-Amerika. Ongeveer 10,000 jaar gelede, as gevolg van klimaatsverandering, almal behalwe een spesie uitgesterf het. Met die drastiese afname in hul getalle, is naasbestaandes gedwing om te teel, en die jagluiperd is geneties ingeteelde, wat beteken dat al Cheetahs is baie nou verwant. Hoewel die natuur verbied inteling, byna al die rekenaar-gesimuleerde genetiese algoritmes miskyk hierdie probleem. Evo 2 verhoed inteling via die Westermarck effek en ander gesimuleerde effekte. Epigenetiese Skakelaars epigenetiese teorie beskryf hoe veranderinge in geenuitdrukking kan veroorsaak word deur ander as veranderinge in die onderliggende DNA volgorde, tydelik of deur middel van verskeie geslagte meganismes, deur 'n invloed 'n netwerk van chemiese skakelaars binne selle gesamentlik bekend as die Epigenome. Evo 2 kan simuleer epigenetiese skakelaars sodat die stelsel tydelik te penaliseer vir aksies soos om te gulsig of risiko-sku. Gesimuleerde Uitgloeiing Gesimuleerde uitgloeiing is 'n kans metaheuristic vir die globale optimalisering probleem van die opspoor van 'n goeie benadering tot die globale optimum van 'n gegewe funksie in 'n groot soek spasie. Dit word dikwels gebruik wanneer die soek spasie is diskrete. Vir sekere probleme, kan nageboots uitgloeiing meer doeltreffend as uitputtende opsomming wees. Family Tree Evo 2 kan genealogiese inligting te spaar vir elke genoom sodat gebruikers die vordering van die genetiese algoritme kan hersien om te sien hoe sekere gene ontwikkel met verloop van tyd. Karyogram Viewer Evo 2 beskik oor 'n ingeboude karyogram, wat visualisering van genome laat terwyl genetiese algoritmes ontwikkel. Die karyogram kan aangepas word om genealogiese inligting vir spesifieke genome vertoon deur 'n konteks kieslys. Evo 2 Aansoeke Evo 2 gebruik kan word op die kliënt of bediener kant vir genetiese programmering (outonome skepping van handel stelsels), handel stelsel optimalisering, portefeulje optimalisering, batetoewysing en nie-finansies-verwante aansoeke, insluitend maar nie beperk tot kunsmatige kreatiwiteit, outomatiese ontwerp, bioinformatika, chemiese kinetika,-kode-breaking, regeltechniek, Feynman-Kac modelle, filter en seinverwerking, skedulering aansoeke, meganiese ingenieurswese, stogastiese optimalisering en roosters probleme. Genetiese programmering Voorbeelde TradeScript programmering voorbeelde wys ontwikkelaars hoe om genetiese programmeringsmodelle kan toets terug en optimaliseer strategieë te skep. Programmering dokumentasie kan hier afgelaai word. Development van handel stelsels met behulp van genetiese programmering met 'n Gevallestudie Uittreksel Inhoud 1 Inleiding 1.1 Motivering 1.2 Doel en struktuur 2 Basiese beginsels en toestand van die kuns 2.1 Genetiese Programmering 2.1.1 programstruktuur 2.1.2 inisialisering van die GP Bevolking 2.1.3 die Genetiese Operateurs 2.1.4 fiksheid funksie 2.1.5 Seleksie 2.1.6 Proses van die algoritme 2.1.7 Crossover, boublokke en skemata 2.1.8 benaderings teen macromutation 2.1.9 Modularisasie 2.1.10 Verdere benaderings vir verbetering 2.2 Kunsmatige neurale netwerke 2.2.1 komponente van neurale netwerke 2.2.2 netwerktopologieë 2.2.3 leermetodes 2.3 Trading Systems 2.3.1 Tape Reader 2.3.2 marktydsberekening 2.3.3 Posisie groottes 2.3.4 Vergelyking van handel stelsels 2.3.5 Fundamentele teenoor tegniese ontleding. 2.3.6 die valutamark 2.3.7 Benaderings vir die ontwikkeling van handel stelsels. 3 Konsep 3.1 Oorsig 3.2 Vereistes van die sagteware 3.3 Conception van sagteware 3.3.1 Die Evolusionêre Algoritme 3.3.2 Die fiksheid funksie 4 Implementering 4.1 Komponente van die ontwikkelde sagteware 4.2 Klasse van die wisselkoers data bediener. 4.3 Klasse die evolusionêre Algoritme 4.4 Oorsig oor die raamwerk ECJ 4.5 Probleme tydens eksperimente 5 Medley lei 5.1 Resultate met knoop gewigte 5.1.1 Resultate van die opleiding tydperk. 5.1.2 Resultate van die validering tydperk. 5.1.3 Resultate van die toets tydperk 5.1.4 Resultate as maandelikse omset 5.1.5 geskep handel reëls 5.2 Resultate sonder node gewigte 5.2.1 Resultate van die opleidingstydperk moet ontruim 5.2.2 Resultate van die validering tydperke 5.2.3 Resultate van die toetsperiode 5.2.4 Resultate as maandelikse opgawes 5.2.5 geskep handel reëls 5.3 identifisering en toepassing van optimale f 6 bespreking en evaluering 6.1 Outlook Lys van figure Hoofstuk 1 Inleiding 1.1 Motivering die natuurlike evolusie het uitgedraai om 'n mees suksesvolle meganisme vir die wees engenderment en aanpassing van diere vir die omgewing. Sonder om enige spesifieke instruksies of selfs presiese doel definisies, het dit daarin geslaag om in die vind van gesofistikeerde oplossings vir probleme bestaande in die werklike wêreld. Genetiese programmering (GP) is 'n benadering vir die gebruik van die kreatiewe krag binne die natuurlike evolusie vir die outomatiese ontwikkeling van rekenaarprogramme (vgl (Koz92, Hoofstuk 1-6)). Dit word gebruik om te probeer om meganismes van die natuurlike evolusie te boots ten einde outomatiese programme 'n gegewe probleem op te wek. In 'n reeks van programme, het GP is gebruik vir die oplossing van mathemat - ical probleme sowel as vir die oplossing van werklike probleme suksesvol. Onder hulle is getel sulke probleme as simboliese regressie, (vgl (Koz92, vgl hoof - stuk 10)), klassifikasie (vgl (Koz92, Hoofstuk 17)), die sintese van kunsmatige neurale netwerke (vgl (Gru94, Hoofstuk 2 volgende)), patroonherkenning ((Tac93, bladsye 2-10)), robot beheer (vgl (BNO97, bladsye 2-10)) en die geslag van im - ouderdomme (vgl (GH97, bladsye 2-7) ) getel word onder hierdie probleme. Outomatiese leer deur middel van GP kan geïnterpreteer word as heuristiese soek al - gorithm om uit te vind van die versameling van alle moontlike programme wat bied die beste oplossing vir die gegewe probleem. Afhanklik van die gegewe probleem, die soek reeks is baie groot en dikwels nie deurlopende of differensieerbaar en dus die soek reeks van alle moontlike programme is sleg passende vir klassieke soekalgoritmes (vgl (LP02, bladsy 2 volgende)). In hierdie tesis word die GP toegepas word in die omvang van die geslag van die saak sys - tems vir die finansiële markte, veral vir die geldeenheid mark. In die finansiële markte, suksesvolle spekulatiewe handelaars gebruik om op te tree op grond van 'n sekere stel reëls. Maar hierdie reëls is onderworpe aan 'n relatief breë Uitleg Ging. Na 'n deeglike hersiening word dit duidelik dat, in beslissende situasies, die handelaars afwyk van die regulasies wat hulle glo om hul optrede te bepaal en op te tree volgens hulle gevoel soos dit was. Dit is moontlik dat hierdie gedeelte van intuïtiewe optrede onderskei 'n ervare en winsgewende handelaar van 'n in - ervare en nuttelose handelaar, selfs al is hulle albei glo dat hulle is besig om op grond van dieselfde stel reëls. Die definisie van 'n stelsel handel deur 'n mens is onderhewig aan 'n paar probleme, want hy kan nie inbring al die reëls onomwonde Repro. Dit is die rede waarom die oordrag van aksie te definieer stelle reëls om die rekenaar het uitgedraai onsuksesvol te wees. Daar is 'n ander benadering tot die rekenaar leer die reëls vir aksie dateer motor-. Om dit te doen, bv Kunsmatige neurale netwerke (NN) is suk - ten volle toegepas (vgl (Ska01, bladsye 2-5), (MK, bladsye 2-7)). Dit is egter nie moontlik om die verskillende reëls van die netwerk te onttrek op 'n manier wat 'n maklike interpretasie sonder probleme kan. Gebruikers kritiseer hierdie black box eiendom van NN. GP stel homself as alternatief vir NN, want dit reëls direk kan genereer en hulle kan geïnterpreteer in 'n beter manier ten spyte van 'n sekere kompleksiteit (vgl (YCK05, bladsy 23 volgende)). So ver as die oplossing van moeilike probleme betref, beide benaderings is vergelykbaar (vgl (BB98, bladsy 13)). 1.2 Doel en struktuur Dit is die doel van hierdie proefskrif GP van toepassing, ten einde handel stelsels genereer en om hul winsgewendheid in die raamwerk van 'n historiese simulasie analiseer. 'N sagteware stelsel, wat hierdie taak los, is ontwerp en aspekte implementering interessante aangebied. Om in staat wees om handel stelsels met GP te ontwikkel, die sagteware, dit wil werden wees, moet 'n aantal vereistes voldoen. Die ontwikkeling van die handel stelsels is gemaak op grond van historiese tyd reeks van wisselkoerse en pryse. Die mark is veronderstel om te verander in die loop van die tyd en so handel stelsels, wat voor winsgewend gewees, gaan hul prof - itability verloor. Om dié rede, die ontwikkeling stelsel van die handel stelsel moet swanger in 'n manier om die opwekking van nuwe handel stelsels aangepas by die veranderde marktoestande toelaat. Om die voorsiening van die huidige prys data te waarborg, die relevante inligting mark moet voortdurend versamel en aan die ontwikkeling stelsel. Die ontwikkeling van winsgewende handel stelsels word ondersteun deur preprocessed data van die prys data, wat sekuriteite handelaars bekend en gebruik, word aan die stelsel. Om 'n visuele verifikasie in staat te stel, moet die preprocessed data sowel as die transaksies van die handel stelsels grafies voorgestel word. 'N oor-optimalisering by die ontwikkeling van die handel stelsels te vermy deur onderverdeling van die beskikbare prys geskiedenis in 'n opleiding, validering en toetsperiode. Ten einde 'n handel stelsel vir die toets tydperk kry, is die beste handel stelsels van die opleidingstydperk moet ontruim toegepas op die tydperk bekragtiging. Die beste stelsel handel tydens die validering is gekies vir die handel in die toetsperiode. Dit moet moontlik wees om die ontwikkelingsproses te kan weergee en dit moet deursigtig wees deur middel van log-lêers van die intermediêre resultate. Handel stelsels van 'n te hoë kompleksiteit maak gebruikers skepties, want dit is moeilik om die besluite van die stelsel ingegaan. Selfs al meer komplekse handel stelsels 'n hoër opbrengs sal lewer, 'n sekere mate van naspeurbaarheid van die handel stelsels is wat geteiken moet word. Benewens die beperking van die grootte van die handel stelsels, is die standaard GP uitgebrei deur middel van node gewigte. Dit is hoe 'n mens drieë, aan die een kant, die macromutation verminder deur middel van die crossover operateur en, aan die ander kant, die vermoë van interpretasie van die gegenereerde handel stelsels (vgl 3.3.1 op bladsy 41) vereenvoudig. Struktuur van hierdie tesis Om mee te begin, die basiese beginsels en die toestand van die kuns van die genetiese programmering en die kunsmatige neurale netwerke sal in Hoofstuk 2.1 op bladsy 5. Die ontwerp en die funksie van NN sal ontleed word, vir hierdie benadering is wyd versprei in die konteks van die ontwikkeling van handel stelsels. Daarna het die basiese beginsels van die tegniese handel stelsels op bladsy 18 en verder word van Hoofstuk 2.3. Aan die een kant, is die tegniese ontleding aangebied as 'n instrument vir die vind van gunstige mo - mente vir verhandeling, aan die ander kant, 'n benadering word getoon vir die definisie van die optimale handel posisie grootte. Oor albei hierdie aangebied benaderings vir die outomatiese leer, het verskillende skrywers suksesvolle aansoeke sies berig. Sommige van hierdie suksesvolle aansoeke word beskryf in Hoofstuk 2.3.7 op bladsy 33. Van Hoofstuk 3 op bladsy 37 en verder, sal een van die ontwerp van 'n stelsel vir die opwekking van, optimalisering en die toets van handel stelsels met behulp van GP op grond van historiese prys te vind en wisselkoers data. Na 'n oorsig van die stelsel, sal die vereistes aangebied word en 'n konsep vir die sagteware is ontwikkel. Die eienskappe van die evolusionêre algoritme relevant is vir die genetiese programmering sal gedefinieer word. Die implementering besonderhede beskryf in hoofstuk 4 op bladsy 47 en verder. Die resultate van die eksperimente met die stelsel vertoon van Hoofstuk 5 op bladsy 55 en verder. Daarna is daar 'n bespreking en evaluering van die resultate, asook 'n buite kyk oor moontlike verdere ontwikkelinge van die stelsel in Hoofstuk 6 op bladsy 73. Hoofstuk 2 Basiese beginsels en toestand van die kuns in hierdie Hoofstuk, die basiese beginsels van Evolusionêre algoritmes en kunsmatige neurale netwerke word aangebied en die huidige stand van die kuns beskryf. Daarna het die relevante beginsels van die aansoek gebied, die tegniese handel, word bespreek. 2.1 Genetiese Programmering Genetiese Programmering (GP) is 'n algoritme uit die geslag van die evolution - êre algoritmes. In die natuur, het die evolusie uitgedraai na 'n baie suc - taakuitvoering stelsel vir die verdere ontwikkeling en optimalisering van alle wesens wees. Ewolusionêre algoritmes is simuleer die noodsaaklike en suksesvolle eienskappe van die natuurlike evolusionêre proses deur middel van eenvoudige modelle. Op hierdie manier, maak hulle dit moontlik om goeie oplossings met min moeite te vind, selfs al is daar prob - Lems met 'n groot soektog reeks. Datastrukture en algoritmes gegenereer en geoptimaliseer deur die ewolusionêre algoritmes, ten einde gegee prob - Lems los. Hierdie inleiding volg die studies van Banzhaf et al. (BNKF98, Hoofstuk 1-8) asook Koza, wat GP beskryf in (Koz92) vir die eerste keer. In die volgende gedeeltes is daar 'n kort beskrywing van hoe 'n program is gestruktureer in die GP en hoe die evolusie werk. Daarna bestaande probleme van die prosedure sowel as die benaderings tot 'n oplossing vir hulle bespreek. 2.1.1 programstruktuur Die individue evolusionêr ontwikkel tydens die GP is programme. Hierdie programme is saamgestel uit funksies en terminale (vgl (BNKF98, bladsye 109-118)). Die keuse van die gebruik funksies binne 'n genetiese program is afhanklik van die spesifieke toepassing gebied. 'N noodsaaklike vereiste vir die keuse van die funksies, wat aan die genetiese program, is dat dit moontlik moet wees om 'n oplossing vir die aansoek probleem uit te haal. Om 'n onnodige vergroting van die search reeks te vermy, maar daar moet nie voorsien te veel funksies. Volgens Banzhaf et al. in (BNKF98, bladsy 111 volgende) asook, beteken dit nie sin maak om funksies wat spesiaal aangepas om die gegewe probleem van die begin af van 'n aansoek te ontwikkel. Sedert GP is baie kreatief sover die kombinasie van funksies betref, kan dit voldoende wees om eenvoudige funksies soos die Boole en rekenkundige funksies bied ongelooflike resultate te bereik. Die argumente van die toepassing funksies terminale. Aan die een kant, hulle bestaan ​​uit die insette data wat gebruik word deur die stelsel vir die opleiding en, aan die ander kant, van konstantes verander in die loop van die evolusie. Hierdie konstantes geroep efemere ewekansige konstantes (ERC) (vgl (Koz92, bladsy 242 volgende)). Die sluiting van die funksies met betrekking tot die terminale is 'n noodsaaklike weer quirement vir die foutloos funksie van die gegenereerde programme. Die toepassing funksies moet ontwerp op 'n manier wat hulle in staat stel om alle vorme van insetwaardes te verwerk: byvoorbeeld, dikwels die afdeling is aangepas om die program uit staak in geval hou daar afdelings deur nul. Om die volgorde van die evaluering van die program funksies te bepaal, is die funksies en terminale van 'n program in 'n ooreenstemmende data struk - tuur. Dikwels is boom strukture wat gebruik word om dit te doen. Maar ook lineêre struk - kings asook algemene grafieke word gebruik as organisasie vorms. In die geval van die boom strukture, is die gewone volgorde van die evaluering van links na regs: die verste links knoop verste binne die boom struktuur, waarvoor alle inskrywings is beskikbaar, uitgevoer word. Die mees prominente verteen - tiewe van 'n lineêre strukturering van die funksies en terminale is die simulasie van 'n register masjien. Dit beskik oor 'n paar registers, 'n lineêre geheue vir die al - ligging van terminale om die registers sowel as funksies wat die registers vir die toevoer / afvoer. 'N relatief nuwe variant van die strukturering is directional grafieke wat kan insluit siklusse (vgl (BNKF98, bladsy 116 volgende)). Wat hierdie struktuur interessant is, is die feit dat lusse en rekursie is wat lei tot die verloop van die evolusie en nie hoef te word deur 'n spesiale funksies vooraf. Dit kan egter oorbodig siklusse problematies geword vir hulle die uitbreiding van die program onnodig loop. 2.1.2 inisialisering van die GP Bevolking Sedert die boom struktuur is die mees wydverspreide datastruktuur vir individue en word gebruik vir die aansoek voorbeeld asook, sal slegs hierdie datastruktuur oorweeg word in die volgende. Die metodes, deur Koza bekendgestel in (Koz92, bladsye 91-94), vir die initial - het versoek van die spesifieke individue van die bevolking is geroep Full, onderskeidelik Groei. Vir die hele bevolking, is die maksimum grootte van 'n enkele pro - gram bepaal deur die maksimum diepte van die spesifieke bome. In die geval van die Full metode vir die inisialisering van 'n individu, is 'n boom met 'n maksimum diepte geskep, omdat almal knope word gekies uit die versameling van funksies op ran - Dom, met die uitsondering van die knope van maksimum diepte, wat gekies uit die versameling van die terminale na willekeur. Aan die groei metode, is die boom opgebou uit die wortel, met die kies vir elke node 'n element van funksie, onderskeidelik vanaf terminale, na willekeur. As 'n terminaal gekies word, die strukturering van hierdie tak is klaar en die prosedure voort op die laaste knoop van die tak, dit is geen terminale. Vir die knope van die maksimum diepte van die boom, die stogastiese seleksie is beperk tot die terminale. Om die hoogste moontlike verskeidenheid binne die bevolking te bereik, is albei structur - ing metodes wat hier beskryf word toegepas in kombinasie. Hierdie metode staan ​​bekend as ramped Half-en-half. Op 'n gegewe maksimum diepte van N, is die bevolking gedeel deur gelyke dele in bome met 'n maksimum diepte van 2,3. N. Elkeen van hierdie groepe is geïnisialiseer half en half volgens die groei en om die volle metode. 2.1.3 Die Genetiese Operateurs Die genetiese operateurs is gereedskap wat beskikbaar is om die algoritme om die fiksheid van die bevolking in die loop van tyd te verbeter. Die mees gebruikte operateurs is crossover, mutasie en voortplanting. Die maklikste operateur is die voortplanting, wat die kies van 'n individu ten opsigte van die geskiktheid en is die oordrag van 'n identiese kopie in die volgende generasie. Die crossover operateur is die kombinasie van die genetiese materiaal van twee individue deur die uitruil van subtrees, dus genereer twee nuwe individue. Deur dit te doen, daar is 'n hoër waarskynlikheid vir funksies eerder gekies word as terminale. Selfs die geslag van net een enkele nasaat is baie gewone (vgl (BNKF98, bladsy 241)). Mutasie is van toepassing op 'n enkele individu. Dikwels is dit gemaak gewapendes daaropvolgende om die crossover operateur. Daar is slegs 'n klein waarskynlikheid dat 'n knoop willekeurig gekies word uit die individu en die substructuur vervang deur 'n nuwe, stogastiese knope, as dit by die inisialisering gedoen. Behalwe dat, daar is ook 'n reeks van ander genetiese operateurs van wydverspreide gebruik. Vir eksamen - Byvoorbeeld, Banzhaf et al. (BNKF98, bladsy 241) is die lys van die volgende operateurs vir mutasie: - puntmutasie: 'n enkele nodus uitgeruil word met 'n stogastiese knoop van dieselfde klas. - Permutation: Die Positionen von argumente einer Funk Tion werden vertauscht. - Gebruik: 'n nuwe individu word gegenereer uit 'n aanvaarde deel boom. - Uitbreiding Mutasie: 'n terminale uitgeruil word met 'n ewekansige substructuur. - Collapse substructuur Mutasie: 'n aanvaarde deel boom uitgeruil word met 'n stogastiese termi - nale. - Substructuur Mutasie: A substructuur uitgeruil word met 'n stogastiese substructuur. - Geenduplisering: A substructuur uitgeruil word met 'n stogastiese terminale. As alternatiewe vir die standaard crossover operateur, is Banzhaf lys die volgende operateurs: - substructuur Exchange Crossover: uitruil van twee subtrees onder individue uals - Eie Crossover: gedacht subtrees binne een individu - Moduleraamwerke Crossover: uitruil van modules tussen individue - samehang die behoud van Crossover: Exchange van twee subtrees van twee individue uals, as hul koördinate ooreenstemmende of ten minste hulle is soortgelyk. 2.1.4 fiksheid funksie wat ooreenstem met die keuse wat plaasvind in die natuurlike evolusie, is daar 'n keuringsproses in die GP op grond van 'n fiksheidstoets waarde wat aan elke spesifieke individu van die bevolking toegedeel. Die fiksheid waarde van 'n individue UAL word bepaal deur die evaluering van die individu deur middel van die fiksheid funksie. Om dit te doen, in die meeste gevalle die genetiese program van die individu uitgevoer met inskrywings wat spruit uit 'n opleiding datastel en 'n fiksheidstoets waarde word bepaal op grond van die opbrengs van die program. Ten einde 'n se - seleksiemodel druk soortgelyk aan die natuurlike evolusie vir beter oplossings vir die gegewe probleem te vestig, is dit bepaal deur middel van 'n keuringsprosedure wat gebaseer is op die fiksheid van die individue wat individue word op die volgende generasie. 'N noodsaaklike vereiste vir beide die probleem wat opgelos moet word en vir die ontwerp van die fiksheid funksie is die kontinuïteit van die fiksheid funksie (vgl (BNKF98, bladsy 127)). Dit beteken dat die verbetering van 'n individu ten opsigte van die probleem moet ooreenstem met 'n verbetering van die fit - heid waarde. Die kontinuïteit van die fiksheid funksie is 'n noodsaaklike vereiste vir die iterasie van die individue te verbeter. 'N Baie algemene fiksheid funksie te is die fout-fiksheid-funksie. Dit kan toegepas word as 'n optimale, wat bereik moet word, is bekend en die steeds bestaande dwaling van die bereik oplossing vir hierdie optimale bepaal kan word. 'N Voorbeeld van hierdie is die simboliese regressie. Hiermee 'n polinoom gegee en die GP stelsel sal hierdie funksie te benader as presies as moontlik deur die kombinasie van die voorwaarde funksies (vgl (Koz92, Hoofstuk 10)). Soos die afwyking van die gegewe polinoom dalings, die fit - heid waarde van die individu verhoog. 2.1.5 Seleksie Die keuse bepaal watter individue van 'n bevolking bly, onderskeidelik sal reproduseer en dus sal bewaar of selfs vermenigvuldig hul genetiese materiaal. Die seleksie druk kan beheer word met betrekking tot die tipe en parameter instelling van die seleksie algoritme. 'N Hoë seleksie druk die verspreiding van die eienskappe van die uitstaande individue binne die bevolking vinnig. Dit kan lei tot die gevolg dat die evolusionêre Algoritme net 'n suboptimale oplossing sal vind, omdat die bestaande oplossing oorheers die pop - ulation en beter eienskappe sal nie in staat wees om die oorhand kry. 'N Seleksie druk wat te klein is onnodig uitbreiding van die verloop van die algoritme. In hierdie geval is dit mag voorkom dat 'n goeie eienskappe is nie in staat is om te versprei in die bevolking en dat hulle weer verwoes deur die genetiese operateurs. Die fiksheid-proporsionele seleksie Vir 'n lang tyd, het die fiksheid-proporsionele seleksie die mees gebruikte metode vir die keuse op die gebied van genetiese algoritmes is, ná sy bekendstelling deur Holland (vgl (Hol75)). Met hierdie metode, is 'n individu van die bevolking willekeurig gekies word. Die prob - vermoë word bepaal deur die verhouding van die fiksheid van die individu aan die som van die fiksheid van al die individue. Blickle et al. aflei dat die fitness proporsionele seleksie is ongeskik vir die volgende redes (vgl (BT95, bladsye 40-42)): - Die voortplanting tempo eweredig is aan die fiksheid van 'n individu. As die fiksheid waardes is baie naby aan mekaar, daar is, as 't ware net 'n stogastiese seleksie. - Daar is geen vertaling invariansie: terwyl die fiksheid waardes een, onderskeidelik tien, steeds beteken 'n groot verskil in die seleksie waarskynlikheid, hierdie verskil verdwyn vir die grootste deel, indien beide fiksheid waardes het met relatief hoë waarde. - Ten spyte van 'n hoë-afwyking aan die begin van die optimalisering, die seleksie intensiteit is te klein, soms selfs negatief, 'n feit wat kan lei tot 'n verswakking van die gemiddelde fiksheid van die bevolking. Afkorting Seleksie Die afkorting seleksie, wat ook bekend as (,) - keuse (vgl (Sch95, bladsy 158 volgende)), maak gebruik van individue as ouers om nuwe individue waarvan die individue dien as ouers in die volgende generasie te genereer. Die absolute fiksheid waardes nie 'n rol in hierdie keuse, maar die volgorde van die individue op grond van die fiksheid waardes speel. Seleksie deur Rank seleksie deur rang is ook gegrond op die volgorde van die individue wat gedefinieer word op grond van die fiksheid waardes. Daar is 'n onderskeid getref tussen lineêre en eksponensiële posisie. Op die lineêre posisie, die waarskynlikheid vir 'n individu om gekies word na gelang van sy rang binne die bevolking lineêr manier. Op die eksponensiële posisie, is die waarskynlikheid van 'n individu wat gekies eksponensieel toeneem. Toernooi keuring aan die toernooi seleksie, 'n groep van individue, lukraak gekies uit die bevolking, meeding. Die grootte van hierdie groep staan ​​bekend as die toernooi grootte. Die individu met die grootste fiksheid waarde van die gekose groep word gekeur en gebruik vir voortplanting. Die afstammeling is die vervanging van die minderwaardige individue van die toernooi groep in die bevolking. Die toernooi grootte bepaal die seleksie druk, met 'n toernooi grootte van twee wat ooreenstem met 'n minderjarige seleksie druk. In die GP, het 'n toernooi grootte van sewe homself gevestig as verstek grootte. 2.1.6 Proses van die algoritme Na die aanbieding van die verskillende komponente van die evolusionêre algo - ritme, dit volg 'n beskrywing van die vordering van die algoritme. Daar is 'n onderskeid getref tussen die generasies GP en die bestendige toestand GP. In die generasies GP, op 'n sekere oomblik 'n bevolking is die skep van 'n pop - ulation wat aan die bevolking van die volgende generasie oorgedra word deur die genetiese operateurs: 1. Initialisatie van die bevolking 2. Evaluering van die bevolking individue en toekenning van 'n fiksheidstoets waarde vir elke individu 3. Toepassing van seleksie en genetiese operateurs, totdat die bevolking van die volgende generasie volledig 4. Tensy die Staak kriterium van die algoritme bevredig word nie, voort te gaan met item 2 in die bestendige toestand algoritme, is daar geen onderskeid getref tussen genera - sies. Uit 'n lukraak geselekteerde groep individue van die bevolking die bestes gekies deur middel van toernooi seleksie. Die genetiese operateurs daarop uitgeoefen word en die gevolglike nageslag is die vervanging van die verloorders van die toernooi: 1. Initialisatie van die bevolking 2. Stogastiese keuse van 'n groep van individue van die bevolking vir die toernooi seleksie 3. Evaluering van die geskiktheid van die gekose individue 4. Toepassing van die genetiese operateurs aan die wenners van die toernooi 5. die vervanging van die verloorders van die toernooi deur die gegenereerde afstammelinge van die wenners 6. Tensy die Staak kriterium van die algoritme bevredig word nie, voort te gaan met item 2 met vergelyk generasie GP en bestendige toestand GP aan die hand van 'n sorteer probleem, Kinnear tot die gevolgtrekking dat bestendige toestand GP is om 'n beter resultate (vgl (Kin93a, bladsy 6 volgende))). 2.1.7 Crossover, boublokke en skemata Crossover in sy verskillende eienskappe is die mees algemene toegedien genetiese operateur in die GP. Die waarskynlikheid vir die keuse van die crossover operateur vir die opwekking van die nasate van 'n individu lê gewoonlik in die reeks van 90 (vgl (Koz92, S. bladsye 114-116)). Die sterk toepassing van crossover in die GP word ondersteun deur die natuurlike evolusie in die raamwerk van die biolog - ical geslagtelike voortplanting. As 'n gevolg, mutasie kom voor in die loop van die biologiese voortplanting nie, maar slegs 'n klein mate. Hierdie feit word weerspieël deur die GP deur 'n klein waarskynlikheid vir mutasie (vgl (BNKF98, Hoofstuk 2). Die crossover operateur word beskou as die rede waarom GP meer effektief versprei word as ander prosedures wat gebaseer is op blote ewekansige veranderinge van die oplossing kandidate. Volgens Kozas beskrywing in (Koz92, bladsye 116-119), die bevolking van 'n algemene praktisyn sluit Building Blocks. Goeie boustene verbeter die fiksheid van die individue wat hulle sluit. om dié rede is daar 'n hoër waarskynlikheid dat hierdie individue is gekies vir die voortplanting. dit is hoe 'n goeie boublok is daarin slaag om die verspreiding binne die populasie. Met hierdie redenasie, Koza volg die argumentering van Holland, wat sit die boublok hipotese vir genetiese algoritmes vir die eerste keer (vgl ( Hol75)). as gevolg van hierdie verspreiding van goeie boustene dit pos - like vir die GP goeie probleemoplossings vinniger as wat dit vir blote-mutasie gebaseer prosedure moontlik sou wees te skep. Koza demonstreer in (Koz92, Hoofstuk 9), wat , met die uitsondering van 'n baie eenvoudige probleme, GP is beter as die ewekansige soek. Goldberg probeer om die funksie van genetiese algoritmes te verduidelik aan die hand van die boublok hipotese. Volgens hierdie hipotese, is die crossover operateur kombinasie klein goeie boustene om groter en beter boustene vorm, ten einde uiteindelik te skep byna optimale individue (vgl (Gol89, bladsy 41)). Byvoorbeeld, in (Gre93, bladsy 3 volgende)) Grefenstette kritiseer die boublok hipotese as misleidend, want dit die werklike proses tydens die evolusionêre ontwikkeling nie voldoende sou beskryf en dit kan maklik gebeur dat verkeerde gevolgtrekkings gemaak word. Baie skrywers gee die rede vir die beter funksie van GP in vergelyking met 'n skamele ewekansige soek deur middel van skemata. Skemata is templates wat 'n volledige groep soortgelyke kode afdelings rep - aanstoot. 'N Skema stelling beskryf aannames van hoe hierdie skemas te ontwikkel van geslag tot geslag, terwyl crossover, mutasie en seleksie is hulle beïnvloed. Die presum - bekwaam mees bekende skema stelling is deur Holland sit vir genetiese algoritmes (vgl (Hol75, bladsye 66-88)). In (Koz92, bladsye 116-119), Koza het die eerste poging om hierdie skema stelling oor te dra na GP. Soos Langdon de - skrifgeleerdes in (LP02, bladsy 27)), het die skema stelling is gekritiseer deur baie skrywers in die tussentyd en sommige van hulle selfs klassifiseer dit as heeltemal Use minder. Maar Langdon veronderstel dat die probleem is die oor-interpretasie van die skema stelling en nie die stelling self. Daar is 'n aantal benaderings vir die oordrag van die skema stelling om GP. Byvoorbeeld, daar is 'n oorsig en 'n volledige bespreking van die verskillende benaderings in (LP02, Hoofstuk 3-6). In (LP02, Hoofstuk 6), Langdon stel die makroskopiese ex - Wet skedule stelling en dui aan dat standaard crossover skemata van hoër rang bestaan ​​uit skemata van laer rang. Maar hy erken dat die idee boublok misverstande kan veroorsaak vir die algemene praktisyn in sover dit dui daarop dat boublokke vergader stap vir stap om 'n beter en groter blokke te vorm. Volgens Langdon, sy skedule stelling dui daarop dat die keuringsproses van die toepassing skemata nie gereproduseer kan word en is occur - ring lukraak. Daarbenewens is daar is nie noodwendig 'n seleksie van skemata wat veral kort is of pas oor gemiddelde. 2.1.8 Benaderings teen macromutation 'n noodsaaklike probleem van die crossover operateur in vergelyking met sy model in die biologiese voortplanting is die feit dat, aan die een kant, is dit die skep van 'n goeie kombinasies, maar aan die ander kant, dit werk soos macromutation en vernietig geskep boustene. In die biologiese voortplanting, is veel en - ergy gebruik vir die beskerming van al geskep goeie boustene teen die skadelike invloede van die crossover. Biologiese crossover is homoloë, ek. e. die crossover gebeur byna uitsluitlik op die gene vlak. Dit kom skaars twee gene met heeltemal verskillende doeleindes uitgeruil (vgl (BNKF98, bladsy 156 volgende)). Daar is 'n aantal benaderings wat probeer om beskermingsmeganismes te voer teen die macromutation in die GP. 'N natuurlik voorkom verskynsel is die beslaglegging van krag-vry-kode vir die boustene in die loop van die simulasie. Hiermee is daar 'n dalende waarskynlikheid vir 'n verwoesting van die boustene. Hierdie proses kan in ag geneem word by die natuurlike model sowel. Meer as 90 van 'n genoom van hoër wesens bestaan ​​uit sogenaamde introns wat nie enkodeer gene of bevat beheer rye. Terwyl die EA is in proses is, kan dit in ag geneem word dat die hoeveelheid krag-vrye-kode eksponensieel toeneem (BNKF98, bladsye 191-193). Hierdie verskynsel staan ​​bekend as opblaas. Behalwe die funksie beskerming deur die introns, opblaas het die probleem dat dit blokke van die ontwikkeling en die uitvoering tyd van die gegenereerde program onnodig verleng. Banzhaf identifiseer die macromutation van die crossover operateur so groot verskil in vergelyking met die natuurlik voorkom crossover by die biologiese seksuele voortplanting. Byna al die natuurlike CROSSOVER suksesvol is, terwyl dit in GP sowat 75 van hulle sal moet geklassifiseer word as dodelike volgens biologiese standaarde (vgl (BNKF98, bladsy 157)). Om dié rede, die vermindering van die macromutation van die crossover operateur in die GP is 'n belangrike gebied van navorsing. In die volgende gedeeltes, daar is die bespreking van 'n paar van die benaderings wat reeds ondersoek vir die verbetering van die crossover operateur, onderskeidelik vir die negatiewe gevolge te vermy. Brood rekombinasie in (Tac94, Hoofstuk 5) deur middel van brood kombinasie - sie Tackett stel 'n metode wat eintlik nie die crossover operateur verbeter, maar verminder die negatiewe uitwerking. In die natuur is daar is 'n paar spesies wat deur 'n groot meer nasate as die oorlewing van die spesie sou vereis. Sommige afstammelinge sterf kort na die geboorte as gevolg van verskeie meganismes, byvoorbeeld, terwyl die stryd mekaar vir voedsel. g. 2.2. g. g. e.