افزايش تعداد مسائل منجر به رسيدن به هدف در محيط هاي پر پيچ وخم با استفاده از يك مدل مناسب سيستمهاي طبقه بند يادگير مبتني بر دقت

Increasing the number of problems leading to achieving the goal in maze environments by using a suitable model of accuracy-based learning classifier systems.

سيستم هاي طبقه بند يادگير در مسير يابي ربات هاي هوشمند در محيط هاي مختلف بسيار كار آمد مي باشند. يكي از اين نوع سيستمها كه اخيرا مورد توجه محققان قرار گرفته است سيستمهاي مبتني بر دقت XCSاست بهبود مسير يابي يك محيط ماز كه الگوي مناسبي براي يك ربات مسير ياب مي باشد بسته به نوع چينش محيطي مي تواند پيچيدگي هاي مختلفي داشته و از توپولوژي هاي مختلفي تبعيت كند . افزايش تعداد مسائل منتج به هدف در يك مساله در محيط ماز از جمله دغدغه هاي مهم در اين نوع محيط هاست. در اين مقاله با ارائه يك روش جديد ، در سه نقشه از نقشه هاي ماز نسبت به افزايش تعداد مسائل منجر به رسيدن به هدف پرداخته شده است. با توجه به اينكه اين سيستم ها معمولا غير مار كوفي است از حافظه در نگهداري بهترين تركيب شرط- كنش استفاده شده است . نتايج بدست آمده مويد بهبود عملكرد ماز به روش جديد در مقايسه با ساير روش هاي پايه است .