Genetic Programming

طبقه بندی برنامه نویسی درحال تکامل ژنتیک بااستفاده از روش NS

Evolving genetic programming classifiers with novelty search

طبقه بندی برنامه نویسی درحال تکامل ژنتیک بااستفاده از روش NS


NS روش منحصر به فردی برای جستجو و بهینه‌سازی در جاهایی محسوب می‌شود که تابع هدف صریح و روشن با اندازه‌گیری راه‌حل نوظهور جایگزین می‌شود. با این وجود، NS عموما در رباتیک تکاملی مورد استفاده قرار می‌گیرد چرا که کارایی آن در مشکلات یادگیری ماشین‌های کلاسیک هنوز کشف نشده است. این مقاله الگوریتم برنامه نویسی‌ژنتیک مبتنی بر NSای را برای دسته‌بندی نظارتی ارائه می‌دهد. نتایج این مقاله نشان می‌دهد که NS به واقع می‌تواند موضوعات مربوط به دسته‌بندی‌های جهان واقعی را حل کند  چرا که الگوریتم به کار رفته در آن بر اساس معیارهای جهان واقعی و برای مشکلات دوگانه یا چند گانه ایجاد شده است. این نتایج با استفاده از دامنه خاص توصیف رفتار امکان پذیر شده‌است. علاوه بر این، دو نسخه ی جدید از الگوریتم های NS یعنی NS احتمالی (PNS) و NS نوع دیگری از معیارهای حداقل ارائه شده‌اند. مدل اول رفتار هر راه حل را به عنوان بردار تصادفی شبیه‌سازی می‌کند و در حالی که سربار محاسباتی الگوریتم NS را کاهش می‌دهد، تمامی پارامترهای اصلی NS را تخفیف می‌دهد. مدل دوم نیز با استفاده از یک تابع هدف استاندارد سعی می‌کند تا مانع جستجو برای راه‌حلی با کارایی بالا شود. این مقاله همچنین به بحث در مورد اثر جستجو دینامیک و رشد کد NS و GP می‌پردازد. نتایج بدست آمده نشان می‌دهد که NS می‌تواند به عنوان جایگزینی واقعی برای دسته‌بندی نظارتی و به ویژه برای مشکلات دوگانه‌ای که الگوریتم NS آن‌ها توانایی کنترل نفخ ضمنی را به نمایش می‌گذارد مورد استفاده قرار می‌گیرد.

 پژوهش کنونی اولین کاربرد روش NS برای طبقه‌بندی نظارتی با استفاده از GP را نشان می‌دهد و کاربردهای متعدد آن را معرفی می‌کند. اولا، مفهوم فضای رفتاری به عنوان  مفهومی میانه در بین مفهوم شناخته شده‌ی فضای هدفمند و فضای معناداری که اخیرا در GP مورد توجه قرار گرفته چارچوب بندی می‌شود و می‌تواند به نحوی گسترش یابد که هر دوی آنها را در‌برگیرد. دوما، توصیف کننده‌ی ویژه‌ی محدوده که معرفی گردیده و با در نظر گرفتن داده‌های جهان واقعی برای مشکلات دوگانه و یا چند دسته‌ای، بر روی موضوعات دسته‌بندی تحت نظارت مورد استفاده قرار گرفته است. توصیف کننده‌ی پیشنهادی بردار دوتایی ایست که طی آن هر عنصری طی مجموعه‌ی تمرینی با هر یک از موارد سازگاری مطابقت داده می‌شود. این در حالیست که برای این منظور ارزش 1 برای زمانی مورد استفاده قرار می‌گیرد که مورد نظر به خوبی دسته‌بندی شده و در غیر این صورت از ارزش 0 استفاده می‌گردد. سوما، برای رویکرد اساسی NS دو  مورد الحاقی PNS و MCNS و همین طور روش ترکیبی MCPNS در نظر گرفته شده است. PNS چارچوب احتمالی‌ای را برای اندازه‌گیری خلاقانه‌ی راه‌حل‌ها و تخفیف تمامی پارامترهای مربوط به NS  مورد استفاده قرار می‌دهد و این در حالی است که سربار محاسباتی‌ای را که الگوریتم NS از آن رنج می‌برد را کاهش می‌دهد. از طرف دیگر، MCNS با یکی کردن عملکرد هدف با مقیاس پراکندگی روند معیار کمینه را توسعه می‌دهد. می‌توان گفت که MCNS الگوریتم NS را با مشخص کردن کیفیت راه حل کمینه‌ای که نسبت به کیفیت بهترین راه حلی که قبلا ارائه شده معیاری پویا در نظر گرفته می‌شود محدود می‌کند.

نتایج آزمون براساس دو مقیاس اندازه‌گیری کیفیت راه‌حل و اندازه‌ی متوسط راه‌حل‌های موجود مورد ارزیابی قرار می‌گیرند. در مورد عملکرد، نتایج نشان می‌دهند که تمامی متغیرهای NS نسبت به روش OS استاندارد موجود در GP به نتایج رقابتی خوبی نائل آمده‌ است. این نتایج نشان می‌دهند که روش باز عمومی و اصلی‌ای که به سمت تکامل و توسعه می‌رود و از NS پیروی می‌کند می‌تواند با اهدافی که برای جستجو در محدوده‌ی ماشین‌های سنتی در‌نظر گرفته شده‌اند به رقابت بپردازند. از طرف دیگر، در زمینه‌ی اندازه‌ی راه حل و پدیده ی نفخ، روش NS می‌تواند جستجو‌ها را، به ویژه در مورد مسائل دوگانه، به سمت حفظ قالب برنامه‌ریزی کوچک‌تر سوق دهد. به طور خاص، NS و MCNS کاهش قابل توجهی در حجم برنامه نسبت به سیستم عامل از خود نشان می‌دهند.
جنبه‌ی امید بخش پژوهش کنونی مسیرهایی از مطالعه است که می‌تواند بعدها مورد بررسی قرار گیرد؛ این جنبه‌ها شامل موارد زیر می‌شوند: اولا، به نظر می‌رسد که رابطه‌ی خاصی میان الگوریتم PNS و دو روش مشابه محاسبه‌ی پویا و تخمین الگوریتم توزیع پذیری (EDA) و روش تعیین فراوانی(FFA) وجود داشته‌باشد. در حالی که EDA ها از توزیع پذیری فوق فضای نوع ژن برای خلق افراد جدید استفاده می‌کنند، PNS از توزیع پذیری فضای رفتاری برای اندازه‌گیری خلاقیت و نوآوری هر جستجو بهره می‌گیرد. FFA درست بر خلاف PNS که در فضای رفتاری بی‌همتاست، راه‌حل‌هایی با امتیازات هدف بی‌همتا را ترجیح می‌دهد. با این وجود، بسیاری از بینش‌های نظری و عملی گرفته شده از تحقیقات EDA و FFA می‌توانند در روش PSN مورد استفاده قرار گیرند. علاوه بر این انجام مقایسات بیشتر بر روی تکنیک محافظت گوناگون اخیر با دیگر روش‌ها می‌تواند جالب و تامل بر‌انگیز باشد. دوما، ممکن است متغیرهای PNS را به روش دیگری نظیر آزمایش PNS با توصیف کننده‌های رفتار واقعی و یا به کارگیری در فضایی معنایی مشابه بسط و توسعه دهیم. سوما، تاثیری که NS بر نفخ دارد باید بیشتر مورد مطالعه و بررسی قرار گیرد، واضح است که MCNS و NS استاندارد بهترین کنترل نفخ را فراهم می‌آورند اما این که این اثر در مسائل چند دسته‌ای واضح نیست هنوز مشخص نشده‌است. یکی از راه‌های ارتقاء تمامی این روش‌ها می‌تواند در بر‌گرفتن مرحله‌ی ساده کردن باشد که هم در کاربرد OS و هم در کاربرد NS مورد استفاده قرار می‌گیرد. چهارم، الگوریتم پیشنهادی باید در یادگیری‌های ماشینی دیگر نظیر طبقه‌بندی نظارتی و رگراسیون نمادین نیز مورد ارزیابی قرار گیرد. و در نهایت، با توجه به نتایجی که نشان دهنده‌ی تمایز بزرگ موجود میان روش‌های به کارگیری NS است، تحقیقاتی نیز می‌بایست روی تثبیت روش پیشنهادی ما انجام پذیرد که البته با معرفی ماهیت تحقیق قابل درک‌تر می‌شود. با این وجود، بر این باوریم که بهترین روش یکی کردن عملکرد هدف و نوآوری و تبدیل آنها به تنها یک ارزش و یا به کارگیری فرمولاسیون‌های چند منظوره نیست. بلکه بر این باوریم که بهترین راه برای رفتن به سوی جلو استفاده از NS برای کشف فضای تحقیق و ادغام روش تحقیق محلی برای دستیابی به افرادی است که رفتار جدید و امیدبخشی از خود نشان می‌دهند.

لینک دانلود

نظرات (0)
امکان ثبت نظر جدید برای این مطلب وجود ندارد.