ارائه الگوریتم یادگیری انتقالی برای بهبود سرعت و صحت همگرایی در اتوماتای یادگیر سلولی

  اتوماتای یادگیر سلولی، یک مدل هوشمند به صورت آمیزه‌ای از اتوماتای سلولی و اتوماتای یادگیر است. پایین‌بودن سرعت همگرایی در اتوماتای یادگیر سلولی یکی از چالش‌های اساسی به شمار می‌رود. در این مطالعه، الگوریتم گسترش‌یافته‌ای از اتوماتای یادگیر سلولی مبتنی بر یادگیری انتقالی به نام TL-CLA پیشنهاد می‌گردد که از یادگیری انتقالی به عنوان راهکاری برای کاهش محاسبات و کمینه‌سازی چرخه یادگیری بهره می‌‌گیرد. مدل گسترش‌یافته پیشنهادی بر اساس تابع شایستگی و بردار نگرش برای انتقال یادگیری طراحی شده است. در الگوریتم TL-CLA، ابتدا مقدار تابع شایستگی بر اساس محیط محلی و مقدار بردار نگرش بر مبنای محیط سراسری اتوماتا محاسبه می‌شود. زمانی که این دو معیار حد آستانه مقرر را کسب کنند، انتقال بردار احتمالات اقدام ها سبب انتقال یادگیری از اتوماتای یادگیر سلولی منبع به اتوماتای یادگیر سلولی مقصد می‌شود. نتایج آزمایش‌ها نشان می‌دهند که مدل پیشنهادی TL-CLA در محیط‌های عملیاتی استاندارد با دو اقدام و چند اقدام، به طور میانگین، به ترتیب به اندازه 7/2% و 2/2% از نظر صحت همگرایی افزایش یافته است. نرخ همگرایی نیز به طور میانگین، به ترتیب 8% و 2% بهبود داشته است. اتوماتای یادگیر سلولی TL-CLA پیشنهادی در انتقال دانش حاصل از یادگیری یک وظیفه برای وظیفه‌ای مشابه کاربرد دارد.