سونی هندی‌کم 4K خود را با بزرگنمایی 20 برابر معرفی کرد
کمپانی Ricoh دوربین 360 درجه جدید Theta S را در ایفا معرفی کرد
بررسی اسپیکر Z623 لاجیتک
اینتل تا سال ۲۰۱۹ حافظه‌ SSD با ظرفیت ۱۰۰ ترابایت روانه ...

اتوماتای سلولی یادگیر (Cellular Learning Automata)

آتوماتای سلولی یادگیر از اجزایی تشکیل شده است که در همسایگی یکدیگر قرار می گیرند و رفتار این اجزا بر اساس رفتار همسایگان و تجربیات گذشته اش تعیین و اصلاح می شود. برای این که با این مدل آشنا شویم ابتدا باید دو مدل آتوماتای یادگیر و آتوماتای سلولی را به خوبی بشناسیم. اشکال عمده CA تعیین فرم قطعی قوانین مورد نیاز برای یک کاربرد خاص است و اینکه CA برای مدل کردن سیستمهای قطعی مناسب می باشد پس باید به دنبال روشی باشیم که بدون نیاز به تعیین فرم قطعی قوانین با گذشت زمان قوانین مناسب استخراج شوند، که CLA  یکی از این روشهاست.

 


آتوماتای یادگیر عاملی است که برای قرار گرفتن در محیطی احتمالی و غیر قطعی طراحی شده است. این ماشین تعدادی عمل متناهی می تواند انجام دهد. هر آتوماتای یادگیر دارای برداری از احتمال ها می باشد. این بردار نشان می دهد هر عمل با چه احتمالی انجام می شود. جمع درایه  های این بردار برابر می باشد. هر عملی که توسط آتوماتا انجام می شود. هر عمل انتخاب شده توسط یک محیط احتمالی ارزیابی می شود و نتیجه ارزیابی در قالب سیگنالی مثبت یا منفی به آتوماتا داده می شود و آتوماتا از این پاسخ در انتخاب عمل بعدی تاثیر می گیرد. هدف این است که آتوماتا بتواند بهترین عمل را از بین اعمال خود انتخاب کند. بهترین عمل، عملی است که احتمال دریافت پاداش از محیط را به حداکثر برساند.  

اتوماتای سلولی یادگیر (Cellular Learning Automata)یک آتوماتای یادگیر تنها کارایی زیادی ندارد. اگر تعداد زیادی آتوماتای یادگیر در همسایگی و همکاری با هم قرار بگیرند می توانند مسائل دشوار را حل کنند. همانطور که گفتیم طراحی قانونهایی ثابت برای آتوماتای سلولی کاری دشوار می باشد و بدون شبیه سازی تصور رفتار آتوماتای سلولی بسیار دشوار می باشد. ترکیب آتوماتای سلولی با آتوماتای یادگیر می تواند تا حدی این مشکل را برطرف کند.

ایده اصلی CLA استفاده از عمل انتخاب شده توسط آتوماتای  یادگیر به عنوان حالت سلول در آتوماتای سلولی می باشد. هر آتوماتای یادگیر سلولی از یک آتوماتای سلولی تشکیل شده است که هر سلول آن به یک یا چند آتوماتای یادگیر مجهز می باشد که وضعیت این سلول را مشخص می سازد. یک قانون محلی تعیین می کند که آیا عمل انتخاب شده توسط یک آتوماتای در یک سلول بایستی پاداش داده شود و یا جریمه گردد. عمل دادن پاداش و یا جریمه منجر به بروز درآوردن ساختارآتوماتای یادگیر سلولی به منظور نیل به یک هدف مشخص می شود.

عملكرد آتوماتای یادگیر سلولی را میتوان به شرح زیر بیان كرد. در هر لحظه هر آتوماتای یادگیر در آتوماتای یادگیر سلولی یك عمل از مجموعه اعمال خود را انتخاب میكند. این عمل میتواند بر اساس مشاهدات قبلی و یا به صورت تصادفی انتخاب شود. عمل انتخاب شده با توجه به اعمال انتخاب شده توسط سلولهای همسایه و قانون حاكم بر آتوماتای یادگیر سلولی پاداش داده و یا جریمه میشود. با توجه به اینكه عمل انتخاب شده پاداش گرفته و یا جریمه شده است،آتوماتا رفتار خود را تصحیح كرده و ساختار داخلی آتوماتا بهنگام میگردد. معمولاً عمل بروزرسانی تمام آتوماتاها به صورت همزمان انجام میشود. بعد از بروزرسانی، هر آتوماتا در آتوماتای یادگیر سلولی دوباره یك عمل از مجموعه اعمال خود را انتخاب كرده و انجام میدهد. فرآیند انتخاب عمل و دادن پاداش و یا جریمه تا زمانی كه سیستم به حالت پایدار برسد و یا یك معیار از قبل تعریف شده ای برقرار شود، ادامه مییابد. عمل بهنگام سازی ساختار آتوماتاهای موجود در آتوماتای یادگیر سلولی توسط الگوریتم یادگیری انجام می شود.

 

اتوماتای سلولی یادگیر (Cellular Learning Automata)