Unit-Aware Genetic Programming for the Development of Empirical Equations

本文介绍了一种维度分析的方法，该方法将未知单位作为“万能牌”传播，并返回单位违规的数量。我们提出了三种方法，即进化淘汰、修复机制和多目标方法，将维度分析集成到遗传编程算法中。在具有基准真实值的数据集上进行的实验表明，进化淘汰和多目标方法的性能与没有维度分析的基准相当。对没有基准真实值的数据集结果的广泛分析表明，单位感知算法只会在精度方面做出较低的牺牲，同时产生符合单位的解决方案。总体而言，我们提出了一种有前途的新方法，用于开发符合单位的经验方程。

如何在遗传算法中处理未知单位的常数，以开发符合物理规律的经验公式？

使用维度分析将未知单位表示为“jokers”，并返回单位违规的大小，然后将其与遗传算法相结合，提出三种方法：进化修剪、修复机制和多目标方法，以生成符合单位的经验公式。

论文提出了一种新颖的方法，通过维度分析将未知单位表示为“jokers”，并将其与遗传算法相结合，生成符合单位的经验公式。实验结果表明，该方法在保持精度的同时，可以生成符合单位的解决方案。

近年来，已经有一些研究致力于使用遗传算法生成符合单位的经验公式，例如“Unit-aware Genetic Programming for Symbolic Regression with Dimensional Constant Optimization”和“Unit-Aware Evolutionary Algorithms for Symbolic Regression with Dimensional Constant Optimization”。