9、神经网络XCSF中连接选择方案的应用

神经网络XCSF中连接选择方案的应用

在机器学习领域，学习分类器系统（LCS）一直是研究的热点。其中，XCSF作为一种现代的LCS形式，在多个问题领域都取得了成功。本文将探讨基于XCSF的神经网络LCS，特别是引入的连接选择方案及其在离散和连续迷宫环境中的应用。

1. 引言

大脑复杂性的出现主要有两种理论：建构主义和选择主义。建构主义通过向简单网络添加神经结构来发展复杂性，而选择主义则是通过经验逐渐修剪初始的过度复杂性。我们对将这两种方法结合起来，以实现LCS中的灵活学习感兴趣，特别是利用其遗传算法（GA）基础。

本文提出了一种基于XCSF的神经网络LCS，在强化学习过程中使用自适应搜索算子，结合建构主义和选择主义。重点是应用于神经分类器的特征选择形式——连接选择，它允许对网络权重空间进行更细致的探索。与传统特征选择不同，连接选择允许启用或禁用网络中的每个连接。

为了清晰起见，我们将没有连接选择的系统称为N - XCSF，有连接选择的版本称为N - XCSFcs。这种学习系统的应用广泛，包括代理导航、数据挖掘和函数逼近等，我们主要关注模拟代理导航领域。

2. 背景

2.1 神经分类器系统

人工神经网络（ANN）表示的优点与现实中的灵感相似，包括灵活性、对噪声的鲁棒性和性能的渐进退化。我们使用的神经网络类型是多层感知器（MLP）。相关文献中，有许多神经LCS的研究。早期工作使用传统前馈MLP来表示规则，递归MLP被证明能为简单迷宫任务提供记忆，径向基函数网络用于模拟和真实机器人任务。MLP还被用于计算预测收益、动作和预测下一个感官状态。

2.2 神经建构主义