Learning Classifier Systems: 5th International Workshop, IWLCS 2002, Granada, Spain, September 7-8, 2002. Revised Papers

پنجمین کارگاه بین المللی یادگیری سیستم های کلاسی (IWLCS2002) در 7 تا 8 سپتامبر 2002، در گرانادا، اسپانیا، در طول هفتمین کنفرانس بین المللی حل مسائل موازی از طبیعت (PPSN VII) برگزار شد. ما در این جلد نسخه های اصلاح شده و توسعه یافته مقالات ارائه شده در کارگاه را قرار داده ایم. در مقاله اول، براون مدل جدیدی از سیستم طبقه بندی یادگیری، iLCS را معرفی می کند و آن را بر روی مشکل طبقه بندی سرطان پستان ویسکانسین آزمایش می کند. دیکسون و همکاران ارائه الگوریتمی برای کاهش راه حل های تکامل یافته توسط سیستم طبقه بندی XCS، به طوری که مجموعه کوچکی از قوانین به راحتی قابل درک تولید شود. Enee و Barbaroux نگاهی دقیق به سیستم‌های طبقه‌بندی به سبک پیتسبورگ می‌کنند و بر مشکل چند عاملی معروف به El-farol تمرکز می‌کنند. هولمز و بیلکر تأثیری را که انواع مختلف داده های از دست رفته بر عملکرد طبقه بندی سیستم های طبقه بندی یادگیری دارند، بررسی می کنند. دو مقاله توسط کوواکس به یک موضوع نظری مهم در یادگیری سیستم های طبقه بندی می پردازند: استفاده از ?tness مبتنی بر دقت در مقابل ?tness مبتنی بر قدرت سنتی تر. در مقاله اول، Kovacs یک نسخه مبتنی بر قدرت XCS به نام SB-XCS را معرفی می کند. XCS اصلی و SB-XCS جدید در مقاله دوم مقایسه می‌شوند، جایی که - vacs کلاس‌های مختلف راه‌حل‌هایی را که XCS و SB-XCS تمایل به تکامل دارند، مورد بحث قرار می‌دهد.

The 5th International Workshop on Learning Classi?er Systems (IWLCS2002) was held September 7–8, 2002, in Granada, Spain, during the 7th International Conference on Parallel Problem Solving from Nature (PPSN VII). We have included in this volume revised and extended versions of the papers presented at the workshop. In the ?rst paper, Browne introduces a new model of learning classi?er system, iLCS, and tests it on the Wisconsin Breast Cancer classi?cation problem. Dixon et al. present an algorithm for reducing the solutions evolved by the classi?er system XCS, so as to produce a small set of readily understandable rules. Enee and Barbaroux take a close look at Pittsburgh-style classi?er systems, focusing on the multi-agent problem known as El-farol. Holmes and Bilker investigate the effect that various types of missing data have on the classi?cation performance of learning classi?er systems. The two papers by Kovacs deal with an important theoretical issue in learning classi?er systems: the use of accuracy-based ?tness as opposed to the more traditional strength-based ?tness. In the ?rst paper, Kovacs introduces a strength-based version of XCS, called SB-XCS. The original XCS and the new SB-XCS are compared in the second paper, where - vacs discusses the different classes of solutions that XCS and SB-XCS tend to evolve.