El problema de la regresión simbólica consiste en el aprendizaje, a partir de un conjunto muestra de datos obtenidos experimentalmente, de una función desconocida. Los métodos evolutivos han demostrado su eficiencia en la resolución de instancias de dicho problema. En este proyecto se propone una nueva estrategia evolutiva, a través de algoritmos genéticos, basada en una nueva estructura de datos denominada Straight Line Program (SLP) y que representa en este caso expresiones simbólicas. A partir de un SLP universal, que depende de una serie de parámetros cuya especialización proporciona SLP's concretos del espacio de búsqueda, la estrategia trata de encontrar los parámetros óptimos para que el SLP universal represente la función que mejor se aproxime al conjunto de puntos muestra. De manera conceptual, este proyecto consiste en un entrenamiento genético del SLP universal, utilizando los puntos muestra como conjunto de entrenamiento, para resolver el problema de la regresión simbólica.

El problema de la regressió simbòlica consisteix en l'aprenentatge, a partir d'un conjunt mostra de dades obtingudes experimentalment, d'una funció desconeguda. Els mètodes evolutius han demostrat la seva eficiència en la resolució d'instàncies d'aquest problema. En aquest projecte es proposa una nova estratègia evolutiva, mitjançant algoritmes genètics, basada en una nova estructura de dades anomenada Straight Line Program (SLP) i que representa en aquest cas expressions simbòliques. A partir d'un SLP universal, que depèn d'una sèrie de paràmetres l'especialització dels quals proporciona SLP's concrets de l'espai de cerca, l'estratègia tracta de trobar els paràmetres òptims perquè el SLP universal representi la funció que millor s'aproximi al conjunt de punts mostra. De manera conceptual, aquest projecte consisteix en un entrenament genètic del SLP universal, utilitzant els punts mostra com conjunt d'entrenament, per resoldre el problema de la regressió simbòlica.

Master thesis for the Computer Science program.