تحلیل تطبیقی عملکرد سیستم‌های دسته‌بند یادگیر قابل تبیین با استفاده از داده‌های جریان و الگوریتم‌های تکامل پویا

با رشد فزاینده داده های جریانی در سامانه های هوشمند، نیاز به روش های یادگیری تطبیقی و قابل تبیین بیش ازپیش احساس می شود. سیستم های دسته بندِ یادگیر، با تلفیق یادگیری تقویتی و جست وجوی تکاملی، بستر مناسبی برای تحلیل داده های پویا فراهم می کنند. در این پژوهش، عملکرد نسخه های پیشرفته و قابل تبیین سیستم های دسته بندِ یادگیر در مواجهه با داده های جریانی، با استفاده از الگوریتم های تکامل پویا مورد بررسی قرار گرفته است. بدین منظور، مکانیزم هایی برای شناسایی و انطباق با تغییرِ مفهوم طراحی و پیاده سازی شده اند. سپس، با بهره گیری از مجموعه داده های جریانی استاندارد در حوزه های متنوع، از جمله امنیت شبکه و پایش حسگرها، تحلیل تطبیقی میان مدل های پیشنهادی و سایر روش های دسته بندی جریانی، مانند درختِ هوفدینگ و جنگلِ تصادفیِ تطبیقی، انجام گرفت. نتایج نشان می دهد که مدل پیشنهادی، ضمن حفظ تبیین پذیریِ قوانین، توانایی تطبیق سریع با تغییرات محیطی و حفظ دقتِ دسته بندی در شرایط پویای داده را داراست. این مطالعه گامی موثر در جهت توسعه سامانه های تصمیم یارِ بلادرنگ و شفاف در محیط های داده محور به شمار می آید

comparative analysis of the performance of explainable learning classifier systems using data streams and dynamic evolutionary algorithms

with the exponential growth of streaming data in intelligent systems، the demand for adaptive and explainable learning methods has become more critical than ever. learning classifier systems، which integrate reinforcement learning with evolutionary search، provide a robust foundation for analyzing dynamic data streams. this study investigates the performance of advanced، explainable learning classifier system variants in handling streaming data by leveraging dynamic evolutionary algorithms. novel mechanisms are designed and implemented to effectively detect and adapt to concept drift. the proposed models are evaluated on standard benchmark streaming datasets across diverse domains، including network security and sensor monitoring، and are compared against state-of-the-art stream classification methods such as the hoeffding tree and adaptive random forest. experimental results reveal that the proposed models preserve rule interpretability while achieving rapid adaptation to environmental changes and maintaining high classification accuracy in dynamic scenarios. this work marks a significant step toward building transparent، real-time decision-support systems in data-driven environments.