Kann ein Klassifikatorsystem in komplexen Umgebungen nahezu optimale Leistungen erzielen? Diese Forschung untersucht die Einbindung von Wilsons Bitregister-Memory-Schema in das XCS-Klassifikatorsystem innerhalb von Nicht-Markov-Umgebungen. Das System ist so konzipiert, dass es Situationen bewältigen kann, in denen der aktuelle Zustand zukünftige Zustände nicht vollständig vorhersagt. Zwei wichtige Erweiterungen waren entscheidend, um in schwierigen Umgebungen nahezu optimale Leistungen zu erzielen. Die erste war eine Explorationsstrategie, bei der externe Aktionen probabilistisch, interne „Aktionen“ jedoch deterministisch waren. Die zweite umfasste die Verwendung eines Registers mit mehr Bitpositionen als nötig, um Umwelt-Aliasing aufzulösen. Die Studie diskutiert die Ursprünge und Auswirkungen dieser beiden Erweiterungen und demonstriert deren Einfluss auf die Fähigkeit des Klassifikators zu lernen und sich anzupassen. Diese Ergebnisse tragen zur Weiterentwicklung von Klassifikatorsystemen und deren Fähigkeit bei, komplexe Probleme in realen Szenarien zu lösen. Die gewonnenen Erkenntnisse könnten bei der Entwicklung robusterer und anpassungsfähigerer KI-Agenten für Anwendungen wie Robotik, Steuerungssysteme und Data Mining wertvoll sein und die Leistung in Umgebungen mit unvollständigen Informationen verbessern.
Diese im Evolutionary Computation veröffentlichte Arbeit passt in den Fokus des Journals auf adaptive Systeme und maschinelles Lernen. Die Verwendung eines Klassifikatorsystems, einer Art evolutionärer Algorithmus, steht im Einklang mit dem Umfang des Journals. Die Arbeit trägt zum Verständnis bei, wie evolutionäre Berechnungsmethoden zur Lösung von Problemen in komplexen und unsicheren Umgebungen eingesetzt werden können, was für die Leserschaft des Journals von Interesse ist.