[发明专利]用遗传程序设计创建通用积木块

说明书

一种使通用计算积木块进化的方法。该方法用随机生成的程序初始化父种群。该方法还获得随机生成的测试输入的列表。该方法生成目标数据集，该目标数据集包括随机生成的二进制字符串的输入输出对。该方法还应用适应度函数来基于目标数据集的输入输出对为每个程序分配适应度分数。该方法通过将遗传算子应用到程序中并选择满足新颖性条件的后代来使种子列表生长。新颖性条件表示程序针对随机生成的测试输入的列表产生不同且唯一输出的能力。该方法不断迭代，直到满足终止条件为止。终止条件表示种子列表中的程序对一个或更多个遗传程序设计实例进行求解的能力。

优先权声明及相关申请

本申请要求在2019年12月06日提交的第62/944,468号美国临时申请的权益，该临时申请的内容以其整体并入本文。

技术领域

本公开涉及遗传程序设计(genetic programming)系统，且特别地，涉及用于应用遗传程序设计以创建用于播种遗传程序设计实例的通用积木块(generic buildingblocks)的系统、方法和设备。

背景

遗传程序设计(GP)是一种受生物学启发的机器学习形式，它利用了计算机程序代码和自然遗传代码之间的类比。与其他形式的机器学习相比，GP的一个优点是像将生物有机体的复杂功能压缩到其DNA中一样压缩信息的能力。压缩信息的能力与智能动作密切相关。GP系统的另一个优点是，可以解释这样的系统如何做出决策。例如，由GP系统产生的程序代码可以用人类可读的程序设计语言来表达。相比之下，深度神经网络是一个黑匣子，其不提供决策是如何做出的解释。神经网络也往往表现出弱点，比如脆性，这是人类智能中没有的。人们越来越担心，这些系统正在达到其有用的极限，并且如果没有其他技术的帮助，无法实现人工通用智能的目标。

积木块假设(building block hypothesis)经常被用作为什么GP实用的理由。直觉上，GP似乎不实用，因为通过随机生成程序并尝试每个程序来搜索求解给定问题的程序似乎需要的时间是程序大小的指数级。积木块假设声称，不需要生成一个完美的程序，只需要生成相对较短的程序片段或积木块。这样的积木块往往出现在程序中，为解决方案提供很好的近似值。通过利用并行计算，可以同时找到多个积木块，且GP中使用的遗传算子的设计是为了将积木块组合成一个相当好的解决方案。

假设积木块假设为真，仍然存在一个问题：即使只需要确定短的积木块，也需要为新的GP实例确定一组新的积木块。这可能意味着一遍又一遍地搜索相同的积木块，这浪费了计算资源。

许多GP系统通过在程序的初始种群中植入预计将有助于求解正在被考虑的特定问题的手工编码的积木块来解决这个问题。例如，如果问题是估计在给定图像中对象之间的距离，那么种群可能会利用三角函数和常数π的值播种。这种方式的缺点是，当目标是产生人工智能时，它依赖于人类智能。此外，这种方式为将人类偏见注入系统打开了大门。

概述

因此，需要产生可用于求解广泛的问题的通用计算积木块。在针对遗传程序设计实例(例如，图像处理应用)播种初始程序种群时，将使用这种通用计算积木块，而不是手工编码积木块。创建这样的块的过程(有时称为编程(code farming))本身就是GP的一个实例。根据一些实施例，GP系统产生在其程序种群内的通用积木块。

在所附权利要求范围内的系统、方法和设备的各种实现方式均具有多个方面，其中没有一个方面单独负责本文描述的理想属性。在不限制所附权利要求的范围的情况下，描述了一些突出特征。在考虑了本讨论之后，且特别是在阅读了题为“详细描述”的部分之后，我们将了解在考虑电容(或负载)、功率和噪声限制的同时如何使用各种实现方式的特征来提高接口链路处的性能。

附图简述

为了更详细地理解本公开，可以通过参考多个实现方式的特征(其中一些在附图中示出)进行更具体的描述。然而，所附附图仅示出了本公开的比较相关的特征，且因此不应被认为是限制性的，因为所述描述可能允许其他有效的特征。