Целью данной работы является – разработка модели символьной регрессии для прогнозирования фенотипа растений по генетическим, географическим и погодным данным, построенной с помощью декартова генетического программирования. Задачи, решаемые в процессе выполнения данной работы: разработка алгоритма использования и оптимизации констант в методе декартова генетического программирования, разработка регрессионной модели прогнозирования фенотипа растения по генетическим, географическим и климатическим факторам, строящуюся с помощью декартова генетического программирования, исследование влияния различных факторов на точность решения модели. В процессе выполнения работы были реализованы предложенные изменения в алгоритм декартова генетического программирования, получены и исследованы регрессионные модели. Представленная работа была реализована на языке Python и C. Данную разработку предполагается использовать в биоинформатике, а также агрономам и фермерам.

Topic of the final qualification work: "Development of a model for taking into account genetic and geographical factors for predicting the phenotypic traits of plants using Cartesian genetic programming." The purpose of this work is to develop a symbolic regression model for predicting the plant phenotype from genetic, geographical and weather data, built using Cartesian genetic programming. Tasks to be solved in the course of this work: development of an algorithm for using and optimizing constants in the Cartesian genetic programming method, development of a regression model for predicting the plant phenotype by genetic, geographical and climatic factors, built using Cartesian genetic programming, studying the influence of various factors on the accuracy of the model solution. In the course of the work, the proposed changes to the Cartesian genetic programming algorithm were implemented, regression models were obtained and studied. The presented work was implemented in Python and C. This development is supposed to be used in bioinformatics, as well as agronomists and farmers.