原理
作為一種一種監督學習方法，符號迴歸（symbolic regression）試圖發現某種隱藏的數學公式，以此利用特徵變數預測目標變數。
編碼方法
公式可以寫成S-表示式的形式，繼而可以轉化成一顆二叉樹。在這個二叉樹裡，所有的葉節點都是變數或者常數，內部的節點則是函式。
用同構的思想不難發現：電路的本質也是表示式。
葉子節點可以是元器件（變數和常數）
內部節點可以是二元拓撲關係（函式）
元器件定義為如下形式：
\(X\Rightarrow \{O,M\}\)
\(O\)表示該器件向上層顯示的介面數
\(M\)表示該器件的屬性
二元拓撲關係\(P\)不妨定義為如下形式：
\(P\Rightarrow <LS,RS>\Rightarrow \{O,L,R,C\}\)
\(O\)表示該關係向上層顯示的介面數
\(L\)表示該關係左兒子的介面數
\(R\)表示該關係右兒子的介面數
\(C\)表示該關係左右兒子介面的連線方式
繁殖策略
交叉
原策略：優勝者內隨機選擇一個子樹，替換為另一棵公式樹的隨機子樹。
新增要求：只有根節點的\(O\)數值相同的子樹可以替換。
變異
子樹變異（Subtree Mutation）
原策略：優勝者的一棵子樹將被另一棵完全隨機的全新子樹代替。
新增要求：隨機新子樹的根節點的\(O\)數值固定。
hoist變異（Hoist Mutation）
hoist變異是一種對抗公式樹膨脹（bloating，即過於複雜）的方法。
原策略：從優勝者公式樹內隨機選擇一個子樹A，再從A裡隨機選擇一個子樹B，然後把B提升到A原來的位置，用B替代A。
新增要求：子樹B的根節點的\(O\)與子樹A的根節點的\(O\)相同。
點變異（Point Mutation）
原策略：一個隨機的節點將會被改變，比如加法可以被替換成除法，變數X0可以被替換成常數-2.5。
新增要求：\(O\)屬性不能變
解碼方法
DFS整棵樹
遇到關係，根據左右兒子連線的介面數增加相應的net
遇到器件，增加相應器件並回溯（因為一定搜到底了）
回溯時，記錄介面標號，與相應的net進行連線
初始化
因為變異和交叉過程有限制介面數，所以對搜尋能力必然有大幅地減弱，為了緩解這個問題，可以先人為構建出一些合法有效的初始解，再進行深度最佳化。