Renascence架構
Renascence架構是 A-GP-B 式的橋樑架構，它要求下層庫不直接對外提供接口，而是往GP庫註冊函數，上層庫用GP公式間接調用下層庫的代碼。
GP庫位於應用與lib庫之間，作爲應用調用lib庫的橋樑而存在，它本身不依賴任何基礎庫。
上層調用
通過引入訓練這一過程，應用跨平臺的問題有了最好的解決方案，即在安裝過程中，應用提供一個模板供平臺訓練，得到適合的實際運行的程序，然後應用在運行時用該程序就可以。
應用本身無須考慮平臺問題，在任一平臺下功能自動兼容、性能自動達到最優，而這是HTML5技術所做不到的。
訓練
在應用安裝/升級時，執行這一步驟
使用
在應用運行時，執行這一步驟，生成的ADF需要通過GP去執行（後續可能做相應優化，將ADF變成代碼，生成一個新庫）
訓練過程的作用
1、允許自動化參數調節
寫程序，尤其是算法類程序時，調參數是不可避免的事情，比如梯度下降中的學習速率，遺傳算法中的變異比率、交叉比率，圖像模糊算法中模糊半徑。做代碼優化時也會配置不少參數，如多線程優化中開啓的線程數，開啓多線程優化的閾值，使用OpenCL時device端緩存的大小，一次運算的globalsize, localsize，等等。
Renascence可提供一個框架，以公式鏈接起來的所有函數參數，會通過一個通一的方案調優。既然要調優，自然，優化的目標是什麼，需要應用指定的：對優化而言，是時間的快慢；對預測而言，是準確率；對圖像去噪而言，是與原圖的信噪比。但如果是對於圖像美化這種主觀因素比較強的情形，沒有什麼比較好的評價函數，這時Renascence可提供一個枚舉的機制，得出一系列參數——結果表，由人眼再去鑑別。
2、允許部分程序邏輯根據實際應用場景動態生成與調節
（1）類型自動匹配
如機器學習庫中，對一批數據做K-Means聚類，模型輸入的是矩陣（MATRIX），但數據可能源於是數據庫（DATABASE），也可能是csv文件（CS >）
輸入如下公式：KMeans(ADF(x0))，並在運行時指定x0的類型是DATABASE/CSV，Renascence便會去找能把DATABASE/CSV轉化爲矩陣MATRIX的函數，然後再與 KMeans 這個函數接起來。
（2）算法遍歷尋優
如數據預測迴歸有 CART、線性迴歸等方法。寫如下公式，可完成建模與預測：
Predict(ADF(x0), x1)
x0 爲訓練集，x1爲測試集，這個公式中 ADF(x0)會對應翻譯爲某一種迴歸方法，在 OptInfo 中加入評價函數後，會去訓練一個最優算法。
下層適配
下層lib庫需要按GP的標準提供庫函數，並且提供相應的庫描述文件。
代碼結構
對外接口
include/user 目錄下爲上下層的接口。
上層調用使用 GPAPI 中提供的函數，另外，一般而言需要使用GP公式。
下層適配使用IFunctionTable、GPContents等數據結構。
仿編譯器架構
前端
公式——GPFunctionTree
GP的前端比較特別，它不僅是語法解析，還包括了遺傳規劃算法的自動邏輯生成。
中端
主要作子樹去重優化。
後端
GPFunctionTree——ADF
將 GPFunctionTree轉化爲 ADF，目前主要是樹形（無優化）、圖形（帶優化）和流式（允許間斷輸入）。
尋優算法
optimizor 下爲相對獨立的參數尋優算法，目前主要包括優選法（黃金618法）、網格法、粒子羣算法（PSO）。其中優選法最快，但效果一般，網格法可以保證無遺漏，但極慢，粒子羣算法爲啓發式算法，結果有一定隨機性。
evolution下爲遺傳規劃算法，用於優化函數結構。