An Efficient XCS-based Algorithm for Learning Classifier Systems in Real Environments
محل انتشار: مجله هوش مصنوعی و داده کاوی، دوره: 11، شماره: 1
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 319
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JADM-11-1_002
تاریخ نمایه سازی: 20 فروردین 1402
چکیده مقاله:
Recently, learning classifier systems are used to control physical robots, sensory robots, and intelligent rescue systems. The most important challenge in these systems, which are models of real environments, is its non-markov quality. Therefore, it is necessary to use memory to store system states in order to make decisions based on a chain of previous states. In this research, a memory-based XCS is proposed to help use more effective rules in classifier by identifying efficient rules. The proposed model was implemented on five important maze maps and led to a reduction in the number of steps to reach the goal and also an increase in the number of successes in reaching the goal in these maps.
کلیدواژه ها:
نویسندگان
Ali Yousefi
Department of Computer Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.
Kambiz Badie
Content & E-Services Research Group, IT Research Faculty, ICT Research Institute, Tehran, Iran.
Mohammad Mehdi Ebadzadeh
Department of Computer Engineering, Amirkabir University of Technology, Tehran, Iran.
Arash Sharifi
Department of Computer Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :