بكارگيري حافظه اي محدود براي نگهداري برترين كنش اخيردر سيستم هاي طبقه بندي كننده يادگير XCS در مسائل هزارتو

امروزه، سيستم هاي طبقه بندي كننده يادگير دركاربردهاي متنوع در رباتيك مانند رباتهاي حسي، رباتهاي انسان نما، سامانه هاي امداد و جات هوشمند وكنترل ربانهاي فيزيكي در محيطهاي گسسته و پيوسته، مورد توجه قرار گرفته است. معمولا از تركيب يك الگوريتم تكاملي يا روش هاي شهودي با يك فرايند يادگيري براي جستجو در فضاي قوانين موجود در انتساب كنش مناسب يك دسته بند استفاده مي شود. چالش مهم براي بالا بردن سرعت و دقت در رسيدن به هدف در مسائل هزار تو، بكارگيري و انتخاب كنشي است كه محرك بجاي برخورد تكراري به موانع اطراف، در مسير درست قرار گيرد. بدين منظور در اين مقاله يك الگوريتم طبقه بندي كننده يادگير هوشمند سيستمهاي طبقه بند يادگير مبتني بر دقت( XCS ) مبتني بر حافظه محدود بكار گرفته شده است كه با توجه به ورودي و كنش هاي اعمال شده به محيط و عكس العمل محرك، قوانين بهينه شناسايي شده و در اولويت انتخاب با احتمال بيشتري در مراحل بعدي، به عنوان مجموعه دسته بند جديد به الگوريتم سيستمهاي طبقه بند يادگير مبتني بر دقت (XCS) اضافه گردد. از جمله دستاوردهاي اين روش مي توان به كاهش تعداد مراحل لازم و افزايش سرعت در رسيدن محرك به هدف در مقايسه با الگوريتم سيستمهاي طبقه بند يادگير مبتني بر دقت (XCS) پايه داشت .