Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
On Restricting Real-Valued Genotypes in Evolutionary Algorithms Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

On the Effects of Absumption for XCS with Continuous-Valued Inputs

verfasst von : Alexander R. M. Wagner, Anthony Stein

Erschienen in: Applications of Evolutionary Computation

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The rule-based XCS Classifier System (XCS) aims at forming classifiers which are as general as possible to achieve an optimal performance level. A too high generalization pressure may lead to over-general classifiers degrading the performance of XCS. To date, no method exists for XCS for real-valued input spaces (XCSR) to handle over-general classifiers ensuring an accurate population. The Absumption mechanism and the Specify operator, both developed for XCS with binary inputs, provide a promising basis for over-generality handling in XCSR. This paper introduces adapted versions of Absumption and Specify by proposing different identification and specialization strategies for the application in XCSR. To determine their potential, the adapted techniques will be evaluated in different classification problems, i.e., common benchmarks and real-world data from the agricultural domain, and in a multi-step problem.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Transfer Learning for Automated Test Case Prioritization Using XCSF
Nächstes Kapitel A NEAT Visualisation of Neuroevolution Trajectories
Fußnoten
1
6-RMP: N = 800, \(\alpha \) = 0.1, \(\beta \) = 0.2, \(\delta \) = 0.1, \(\nu \) = 5, \(\theta _{mna}\) = 2, \(\theta _{GA}\) = 12, \(\theta _{del}\) = 20, \(\theta _{sub}\) = 20, \(\epsilon _0\) = 10, \(\chi \) = 0.8, \(\mu \) = 0.04, \(p_{ini}\) = 10.0, \(\epsilon _{ini}\) = 0.0, \(F_{ini}\) = 0.01, \(\epsilon _{red}\) = 0.25, \(F_{red}\) = 0.1, \(m_0\) = 0.1, \(r_0\) = 1.0.
 
2
CBP(3,3): Analogous to 6-RMP, except: N = 2000, \(r_0\) = 0.5.
 
3
Mario: Analogous to 6-RMP, except: N = 7000, \(\beta \) = 0.3, \(\theta _{mna}\) = 6, \(\theta _{GA}\) = 30, \(\theta _{del}\) = 50, \(\theta _{sub}\) = 50, \(r_0\) = 0.1.
 
7
Analogous to 6-RMP, except: N = 6400, \(\theta _{GA}\) = 48, \(\theta _{del}\) = 50, \(\theta _{sub}\) = 50, \(\epsilon _0\) = 1.0, \(\epsilon _{red}\) = 1.0, \(m_0\) = 0.5, \(r_0\) = 1.0.
 
8
Analogous to 6-RMP, except: N = 10,000, \(\gamma \) = 0.95, \(\theta _{mna}\) = 4, \(\theta _{GA}\) = 50, \(\theta _{del}\) = 50, \(\theta _{sub}\) = 50, \(\epsilon _0\) = 0.005, \(m_0\) = 0.25, \(r_0\) = 0.5.
 
Literatur
1.
Bacardit, J., Burke, E.K., Krasnogor, N.: Improving the scalability of rule-based evolutionary learning. Memet. Comput. 1(1), 55–67 (2009)CrossRef
2.
Barry, A.M.: The stability of long action chains in XCS. Soft Comput. 6(3), 183–199 (2002)CrossRef
3.
Bernadó-Mansilla, E., Garrell-Guiu, J.M.: Accuracy-based learning classifier systems: models, analysis and applications to classification tasks. Evol. Comput. 11(3), 209–238 (2003)CrossRef
4.
Butz, M.V., Kovacs, T., Lanzi, P.L., Wilson, S.W.: How XCS evolves accurate classifiers. In: Proceedings of GECCO 2001. GECCO 2001, pp. 927–934. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA (2001)
5.
Butz, M.V., Lanzi, P.L., Wilson, S.W.: Function approximation with XCS: hyperellipsoidal conditions, recursive least squares, and compaction. IEEE T Evolut. Comput. 12(3), 355–376 (2008)CrossRef
6.
7.
8.
Calian, D.A., Bacardit, J.: Integrating memetic search into the BioHEL evolutionary learning system for large-scale datasets. Memet. Comput. 5(2), 95–130 (2013)CrossRef
9.
10.
Holland, J.H., Reitman, J.S.: Cognitive systems based on adaptive algorithms. In: Pattern-Directed Inference Systems, pp. 313–329. Academic Press (1978)
11.
Kovacs, T.: Towards a theory of strong overgeneral classifiers. In: FOGA 6, pp. 165–184. Morgan Kaufmann, San Francisco (2001)
12.
Lanzi, P.L.: A study on the generalization capabilities of XCS. In: Proceedings of ICGA 1997, pp. 418–425 (1997)
13.
Lanzi, P.L.: An analysis of generalization in the XCS classifier system. Evol. Comput. 7(2), 125–149 (1999)CrossRef
14.
Lanzi, P.L., Loiacono, D., Wilson, S.W., Goldberg, D.E.: XCS with computed prediction in continuous multistep environments. In: IEEE CEC 2005, vol. 3, pp. 2032–2039, September 2005
15.
Lanzi, P.L., Loiacono, D., Wilson, S.W., Goldberg, D.E.: Generalization in the XCSF classifier system: analysis, improvement, and extension. Evol. Comput. 15(2), 133–168 (2007)CrossRef
16.
Liu, Y., Browne, W.N., Xue, B.: Absumption to complement subsumption in learning classifier systems. In: Proceedings of GECCO 2019, pp. 410–418. ACM, New York, NY, USA (2019)
17.
Liu, Y., Browne, W.N., Xue, B.: Absumption and subsumption based learning classifier systems. In: Proceedings of GECCO 2020, pp. 368–376. ACM, New York, NY, USA (2020)
18.
Pätzel, D., Stein, A., Hähner, J.: A survey of formal theoretical advances regarding XCS. In: Proceedings of GECCO 2019, pp. 1295–1302. Association for Computing Machinery, New York, NY, USA (2019)
19.
Stein, A., Maier, R., Hähner, J.: Toward curious learning classifier systems: combining XCS with active learning concepts. In: Proceedings of GECCO 2017, pp. 1349–1356. ACM, New York, NY, USA (2017)
20.
Stein, A., Maier, R., Rosenbauer, L., Hähner, J.: XCS classifier system with experience replay. In: Proceedings of GECCO 2020, pp. 404–413. ACM, New York, NY, USA (2020)
21.
Stein, A., Menssen, S., Hähner, J.: What about interpolation? A radial basis function approach to classifier prediction modeling in XCSF. In: Proceedings of GECCO 2018, pp. 537–544. ACM, New York, NY, USA (2018)
22.
Stone, C., Bull, L.: For real! XCS with continuous-valued inputs. Evol. Comput. 11(3), 299–336 (2003)
23.
Sutton, R.S., Barto, A.G.: Reinforcement Learning: An Introduction. MIT press (2018)
24.
Urbanowicz, R.J., Moore, J.H.: Learning classifier systems: a complete introduction, review, and roadmap. J. Artif. Evol. App. 2009, 1:1–1:25 (2009)
25.
Urbanowicz, R.J., Moore, J.H.: ExSTraCS 2.0: description and evaluation of a scalable learning classifier system. Evol. Intell. 8(2), 89–116 (2015)
26.
Wilson, S.W.: Generalization in the XCS classifier system. In: Proceedings of GP 1998. Morgan Kaufmann, Madison, Wisconsin, USA (1998)
27.
28.
29.
Wilson, S.W.: Classifier fitness based on accuracy. Evol. Comput. 3(2), 149–175 (1995)CrossRef
30.
Metadaten
Titel
On the Effects of Absumption for XCS with Continuous-Valued Inputs
verfasst von
Alexander R. M. Wagner
Anthony Stein
Copyright-Jahr
2021
Buch
Applications of Evolutionary Computation

Print ISBN: 978-3-030-72698-0

Electronic ISBN: 978-3-030-72699-7

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-3-030-72699-7_44

Premium Partner

    Bildnachweise