Un buen texto sobre algoritmos evolutivos es el libro “An Introduction to Genetic Algorithms” by Mitchell (1996).
Este sistema genotipo/fenotipo es multigen, poniendo múltiples árboles de parseo codificados en cada cromosoma.
Esto significa que los programas creados por PEG están compuestos por múltiples árboles de parseo.
[[Image:Expresión d 3 genes de PEG, 1st k-expression three-genic chromosome with the tails shown in bold.
Estas funciones son usualmente escogidas antes para cada problema, pero ellas pueden estar evolucionando elegantemente reuse|cellular system]][6][7] of gene expression programming.
Ellos también contienen un dominio cabeza y uno cola, con la diferencia que las cabezas contienen funciones de enlace y un tipo especial de terminales – genes terminales – que representan genes normales.
La expresión de los genes normales resultan como es usual en diferentes sub-AEs, los cuales en sistemas celulares son llamados FDAs (funciones definidas automáticamente).
Para las colas, contienen solo genes terminales, así es, derivado de característica generadas en el aire por el algoritmo.
Por ejemplo, el cromosoma en al figura tiene 3 genes normales y un diferentes 4 veces, enlazándolas en un camino en particular.
Y no debe ser difícil de implementar [[Recursión (computer Science)|recursion]] en el sistema.
Por ejemplo, el programa mostrado en la figura fue creado usando un sistema celular con dos celdas y 3 genes normales.
[[Image:Expression of a multicellular GEP system with 3 ADFs and 2 main programs.png|thumb|Expression of a multicellular system with three ADFs and two main programs.
Estos dominios extras usualmente codifican constantes aleatorias numéricas que los algoritmos implacablemente bien-melodías para encontrar una buena solución.
Estas constantes numéricas pueden ser los pesos o factores en una función aproximación del problema (see the [[gene expression programming#The GEP-RNC pedazos de una red neuronal (see the [[gene expression programming#Neural networks|GEP-NN algorithm]] below); las constantes numéricas necesitan para el diseño de árboles de decisión (see the [[gene expression programming#Decision trees|GEP-DT algorithm]] below); los pesos se necesitan para inducción polinomial; o las contantes numéricas aleatorias usadas para descubrir los valores de los parámetros en una tarea de optimización.
Entonces la ruleta es hilada a tantas veces como haya programas en la población para mantener el tamaño constante.
De hecho, diversidad genética es creada algorithm)|mutation]], recombination, transposition, inversión, y muchos otros.
En mutación PEG es totalmente unconstrained, lo cual significa que en cada dominio del gen cada símbolo puede ser reemplazado por otro.
[9] Consiste en invertir una secuencia pequeña sin En PEG puede ser fácilmente implementado en todo el dominio sintácticamente correcta.
PEG resuelve este problema elegantemente a través el uso de un dominio extra – the Dc – para manejar constantes numéricas por el RNCs, un sistema expresivo es creado.
Los operadores genéticos usados en el ssitema GEP-RNC son una extensión para los programming#Reproduction with modification|above]]), y todos pueden ser , los operadores básicos de mutación, inversión, transposición, y recombinación también son usados en el algoritmo GEP-RNC.
En resumen, los componentes básicos de una red neuronal son las unidades, las conexiones entre ellas, los pesos y los umbrales.
Esta función añade todos sus argumentos con peso y después Esta salida (0 o 1 en este caso) depende del umbral de cada unidad, eso es, si el activación entrante total es mayor o igual que el umbral, entonces la salida es 1, 0 en otro caso.
Los valores de cada peso son dejados en un array y se devuelve como sea necesario para la expresión.
Un ejemplo más concreto, se muestra un gen de red neuronal por el exclusive-or problema.
Además de funciones simples booleanas con entrada binarias y salidas binarias, el algoritmo GEP-nets puede manejar todo tipo de funciones o neuronas También es interesante que el algoritmo GEP-nets puede usar todas esas neuronas juntas y dejar que la evolución decida cual trabaja mejor para resolver el problema.
Nodos hojas especifican la etiqueta de la clase por todos los diferentes caminos en el árbol.
Este aspecto de árboles de decisión inducidos también lleva a PEG y hay 2 algoritmos PEG para árboles de decisión inducidos: algoritmo (EDT) para manejar exclusivamente con atributos nominales y EDT-RNC (EDT con constantes numéricas aleatorias) para manejar ambos nominales y numéricos.
De acuerdo a la precisión genéticos son exactamente los mismo que son usados en un sistema convencional por ejemplo, mutation, inversion, [[gene expression programming#Transposition|transposition]], y [[gene expression programming#Recombination|recombination]].
It implements different GEP algorithms, including evolving [[gene expression programming#Decision trees|decision trees]] (with nominal, numérica, o mixed attributes) and [[gene expression programming#Cells and code reuse|automatically defined functions]].
Created by Matthew Sottile to rapidly build [[Java (programming language)|Java]] prototype codes that use GEP, which can then be written