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

امروزه، سیستم های طبقه بندی کننده یادگیر درکاربردهای متنوع در رباتیک مانند ربات های حسی، رباتهای انساننما، سامانه های امداد و جات هوشمند وکنترل ربان های فیزیکی در محیط های 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 مسایل 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 سیستم های 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 دستهبند جدید به الگوریتم سیستم های 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 سیستم های طبقه بند یادگیر مبتنی بر دقت (XCS) پایه داشت .