بکارگیری حافظه ای محدود برای نگهداری برترین کنش اخیردر سیستم های طبقه بندی کننده یادگیر xcs در مسائل هزارتو

امروزه، سیستم های طبقه بندی کننده یادگیر درکاربردهای متنوع در رباتیک مانند رباتهای حسی، رباتهای انسان نما، سامانه های امداد و جات هوشمند وکنترل ربانهای فیزیکی در محیطهای گسسته و پیوسته، مورد توجه قرار گرفته است. معمولا از ترکیب یک الگوریتم تکاملی یا روش های شهودی با یک فرایند یادگیری برای جستجو در فضای قوانین موجود در انتساب کنش مناسب یک دسته بند استفاده می شود. چالش مهم برای بالا بردن سرعت و دقت در رسیدن به هدف در مسائل هزار تو، بکارگیری و انتخاب کنشی است که محرک بجای برخورد تکراری به موانع اطراف، در مسیر درست قرار گیرد. بدین منظور در این مقاله یک الگوریتم طبقه بندی کننده یادگیر هوشمند سیستمهای طبقه بند یادگیر مبتنی بر دقت( xcs ) مبتنی بر حافظه محدود بکار گرفته شده است که با توجه به ورودی و کنش های اعمال شده به محیط و عکس العمل محرک، قوانین بهینه شناسایی شده و در اولویت انتخاب با احتمال بیشتری در مراحل بعدی، به عنوان مجموعه دسته بند جدید به الگوریتم سیستمهای طبقه بند یادگیر مبتنی بر دقت (xcs) اضافه گردد. از جمله دستاوردهای این روش می توان به کاهش تعداد مراحل لازم و افزایش سرعت در رسیدن محرک به هدف در مقایسه با الگوریتم سیستمهای طبقه بند یادگیر مبتنی بر دقت (xcs) پایه داشت .

using limited memory to store the most recent action in xcs learning classifier systems in maze problems

nowadays, learning classifier systems have received attention in various applications in robotics, such as sensory robots, humanoid robots, intelligent rescue and rescue systems, and control of physical robots in discrete and continuous environments. usually, the combination of an evolutionary algorithm or intuitive methods with a learning process is used to search the space of existing rules in assigning the appropriate action of a category. the important challenge to increase the speed and accuracy in reaching the goal in the maze problems is to use and choose the action that the stimulus is placed on the right path instead of repeatedly hitting the surrounding obstacles. for this purpose, in this article, an intelligent learning classifier algorithm of accuracy-based learning classifier systems (xcs) based on limited memory is used, which according to the input and actions applied to the environment and the reaction of the stimulus, the rules it is optimally identified and added as a new classifier set to the accuracy-based learning classifier systems (xcs) algorithm in the next steps. among the achievements of this method, it can be based on reducing the number of necessary steps and increasing the speed of reaching the stimulus to the target compared to the accuracy-based learning classifier systems (xcs) algorithm.