1. Attribute codingBinary coding (B

1. Attribute coding
Binary coding (BIN) represents the value of each of the 16 attributes as a 4-bit binary number. Each data item (message) is thus a string of 64 (4x16) bits. Similarly, the left-hand side of each classifier is a 64-element string, where each position is either a wild card, a 0, or a 1. A classifier matches a test item when all of its non-wild card positions are identical to the test item.
Gray coding (GRA) is similar to binary coding, but the mapping of attribute values to 4-bit codes is different. We employed the procedure described by Goldberg (1989, p. 100). Number representation with Gray-codes insures that adjacent values are identical except for a change in a single bit.
Integer coding (INT) represents each of the 16 attributes as an integer. Each data item (message) is a 16-position vector in which each position is an integer in the range 0 to 15. The left-hand side of each classifier consists of a 16-position vector in which each position is either a wild card or a target value for the attribute. With integer coding, we also specify a window size for fuzzy matches. A uniform window size is employed for all attributes. If the window size is set at zero, an exact match is required on all non-wild card attributes. If the window size is set at 1, a classifier matches a test item if the target values for all non-wild card attributes are either identical to the value for the test item or are within 1 unit of that value. If the window size is set at 2, a classifier matches if the target values for all non-wild card attributes are within 2 units of the test item values. Therefore, window size determines the degree of fuzziness tolerated in defining a match. Booker (1988, p. 182) describes another method for implementing partial matches. In his system, rules that match on most, but not all, of the non-wild card attributes can be eligible for the auction.
2. Rule creation
Holland et al. (1986) describe a variety of methods for creating new rules, including ran¬dom generation, two forms of genetic mutation (generalization and specialization), genetic crossover, and instance-based generalization. In our research, we examined three of these methods: random generation, exemplar-based generation, and a hybrid procedure that started with random rules and evolved offspring from the fittest parents using single-point genetic crossovers and specializing mutations.
In the random procedure (RAN), 3900 rules, 150 for each of the 26 categories, were produced prior to the training phase. Each classifier was created by randomly assigning wild card status or a uniformly distributed random value to each position in the attribute vector and randomly assigning an outcome value (one of the 26 categories). Whenever a rule failed to meet a pre-specified performance level, it was immediately discarded and replaced by a newly created rule. Successful rules were retained indefinitely by the system.
In the hybrid procedure (HYB), 3900 rules were initially created as described above. When a rule dropped below the minimum performance level, it was immediately replaced. On each trial, the replacement process could invoke one of three separate rule creation methods. One method was the RAN procedure described above. A second method for creat¬ing a new rule (MUT), involved selecting a strong rule, randomly selecting one of the attributes, and randomly assigning a numerical value between 0 and 15 to that attribute. This procedure had the effect of either maintaining the current rule specificity (in cases where the selected attribute was already relevant) or of increasing specificity (in cases where the selected attribute had previously been a wild card). This property was intentional. The rules that were generated by the random procedure needed low specificities in order to have even a weak chance of matching test items. The mutation procedure was designed to produce an increase in rule specificity in order to enhance the performance of the system.
The third method for rule creation (CROSS) selected two strong rules, randomly selected a single splitting location, and created a new rule by combining components from the left and right side of the split. All crossovers were one-point crossovers. To act as a parent in methods MUT and CROSS, a rule had to have the same outcome as the rule that was being replaced, and its strength had to be higher than the strength it was initially assigned. Rules that qualified by these criteria were selected for parenthood randomly in proportion to their fitness scores.
Each time a rule was created by the hybrid procedure (HYB), one of the three methods was chosen randomly in the proportion 20% RAN, 60% MUT, and 20% CROSS. When MUT or CROSS was selected, but no rules qualified for parenthood, method RAN was employed. When CROSS was selected, but only one rule qualified for parenthood, method MUT was employed. The proportion 20-60-20 was chosen, because it produced better results than

Kết quả (Việt) 1:

1. thuộc tính mã hóaNhị phân mã hóa (BIN) đại diện cho giá trị của mỗi người trong số các thuộc tính 16 như là một 4-bit nhị phân số. Mỗi mục dữ liệu (tin nhắn) là như vậy, một chuỗi 64 (4 x 16) bit. Tương tự, bên tay trái của mỗi loại là một chuỗi 64-yếu tố, mỗi vị trí ở đâu một thẻ hoang dã, một 0 hoặc 1. Một loại phù hợp với một mục kiểm tra khi tất cả các vị trí phòng không-thẻ hoang dã của nó là giống hệt nhau để kiểm tra mục.Gray coding (GRA) là tương tự như mã hóa nhị phân, nhưng ánh xạ giá trị thuộc tính đến 4-bit mã là khác nhau. Chúng tôi sử dụng các thủ tục được mô tả bởi Goldberg (1989, p. 100). Số đại diện với màu xám-mã đảm bảo rằng các giá trị liền kề là giống hệt nhau ngoại trừ thay đổi một chút đơn.Số nguyên (INT) mã hóa đại diện cho mỗi người trong số các thuộc tính 16 như là một số nguyên. Mỗi mục dữ liệu (tin nhắn) là một vector 16 vị trí trong đó mỗi vị trí là một số nguyên trong khoảng 0 đến 15. Phía bên trái của mỗi loại bao gồm một vector 16 vị trí trong đó mỗi vị trí là một thẻ hoang dã hoặc một giá trị mục tiêu cho các thuộc tính. Với số nguyên mã, chúng tôi cũng xác định kích thước cửa sổ cho các trận đấu mờ. Kích thước cửa sổ đều được sử dụng cho tất cả các thuộc tính. Nếu kích thước cửa sổ được đặt tại số không, kết hợp chính xác là cần thiết trên tất cả các thuộc tính thẻ không tự nhiên. Nếu kích thước cửa sổ được thiết lập tại 1, một loại phù hợp với một mục kiểm tra nếu các giá trị mục tiêu cho tất cả các thuộc tính không-wild card là một trong hai giống hệt nhau để giá trị cho các bài kiểm tra mục hoặc đang trong 1 đơn vị của giá trị đó. Nếu kích thước cửa sổ được đặt tại 2, một loại phù hợp nếu các giá trị mục tiêu cho tất cả các thuộc tính thẻ không tự nhiên có trong 2 đơn vị trong giá trị khoản mục kiểm tra. Do đó, kích thước cửa sổ sẽ xác định mức độ hơi say dung nạp trong việc xác định một trận đấu. Booker (1988, p. 182) Mô tả các phương pháp khác cho việc thực hiện phù hợp một phần. Trong hệ thống của mình, quy định phù hợp với hầu hết, nhưng không phải tất cả các thuộc tính thẻ không tự nhiên có thể hội đủ điều kiện cho cuộc đấu giá.2. nguyên tắc sáng tạoHolland et al. (1986) miêu tả một loạt các phương pháp để tạo quy tắc mới, bao gồm cả ran¬dom hệ, hai dạng đột biến gen (tổng quát và chuyên môn), di truyền chéo và dựa trên trường hợp tổng quát. Trong nghiên cứu của chúng tôi, chúng tôi kiểm tra ba trong số những phương pháp này: thế hệ ngẫu nhiên, khuôn dựa trên thế hệ và một thủ tục lai mà bắt đầu với nguyên tắc ngẫu nhiên và phát triển con cái từ cha mẹ fittest sử dụng điểm đơn di truyền CrossOver và chuyên về đột biến.Trong quá trình ngẫu nhiên (AUSTRALIA), quy tắc 3900, 150 cho mỗi loại 26, được sản xuất trước khi giai đoạn đào tạo. Mỗi loại được tạo ra ngẫu nhiên gán tình trạng thẻ hoang dã hoặc một giá trị đồng đều phân phối ngẫu nhiên cho mỗi vị trí trong thuộc tính vector và ngẫu nhiên gán một giá trị kết quả (một trong những loại 26). Bất cứ khi nào một quy tắc không đáp ứng mức độ hiệu suất được chỉ định trước, ngay lập tức bỏ đi và được thay thế bằng một quy tắc mới được tạo ra. Quy tắc thành công được giữ lại vô hạn định bởi hệ thống.Trong thủ tục lai (HYB), 3900 quy tắc ban đầu được tạo ra như mô tả ở trên. Khi quy tắc giảm xuống dưới mức hiệu suất tối thiểu, nó ngay lập tức được thay thế. Trên mỗi phiên tòa, trong quá trình thay thế có thể gọi một trong ba phương pháp tạo ra quy tắc riêng biệt. Một phương pháp đã là trình DIỄN mô tả ở trên. Phương pháp thứ hai cho creat¬ing một quy tắc mới (MUT), tham gia việc lựa chọn một quy tắc mạnh mẽ, ngẫu nhiên chọn một trong các thuộc tính và ngẫu nhiên gán một giá trị số giữa 0 và 15 cho thuộc tính đó. Thủ tục này có hiệu lực hoặc duy trì các đặc trưng quy tắc hiện tại (trong trường hợp mà các thuộc tính được chọn đã có liên quan) hoặc tăng độ đặc hiệu (trong trường hợp nơi các thuộc tính đã chọn trước đó đã là một thẻ hoang dã). Tài sản này là cố ý. Các quy tắc đã được tạo ra bởi các thủ tục ngẫu nhiên cần thiết thấp specificities để có ngay cả một cơ hội yếu phù hợp với các mục kiểm tra. Thủ tục đột biến được thiết kế để sản xuất tăng trong quy tắc đặc trưng nhằm nâng cao hiệu suất của hệ thống.Phương pháp thứ ba cho các quy tắc sáng tạo (CROSS) chọn hai quy tắc mạnh mẽ, ngẫu nhiên chọn một vị trí chia tách và tạo ra một quy tắc mới bằng cách kết hợp các thành phần từ bên trái và bên phải của sự chia rẽ. Tất cả crossover là điểm CrossOver. Để hoạt động như một phụ huynh trong phương pháp MUT và CHÉO, quy tắc đã phải có kết quả tương tự như quy tắc đã được thay thế, và sức mạnh của nó có thể cao hơn sức mạnh mà nó ban đầu được phân công. Các nguyên tắc đó đủ điều kiện của các tiêu chí đã được lựa chọn cho cha mẹ một cách ngẫu nhiên theo tỷ lệ điểm thể dục của họ.Mỗi lần một quy tắc được tạo ra bởi các thủ tục lai (HYB), một trong ba phương pháp được lựa chọn ngẫu nhiên vào tỷ lệ 20% RAN, 60% MUT, và 20% vượt QUA. Khi MUT hoặc QUA được lựa chọn, nhưng không có quy định đủ điều kiện cho cha mẹ, phương pháp RAN được sử dụng. Khi ĐƯỜNG đã được lựa chọn, nhưng chỉ có một quy tắc đủ điều kiện cho cha mẹ, phương pháp MUT được sử dụng. Tỷ lệ 20-60-20 đã được lựa chọn, bởi vì nó sản xuất các kết quả tốt hơn

Kết quả (Việt) 3:

1.Thuộc tính mã hóaMã hóa nhị phân (em) đại diện cho 16 một thuộc tính của một số giá trị của 4 bit nhị phân.Mọi mục dữ liệu (tin nhắn) là một chuỗi 64 (4 x 16) người.Như vậy, mỗi trái là một chuỗi các yếu tố của 64, mọi vị trí đều là người hoang dại, 1 0 hoặc 1 1.Khi tất cả các vị trí Phi hoang dại cùng một chương trình thử nghiệm. Khi một phù hợp với một chương trình thử nghiệm.Mã Gray (GRA) là tương tự như mã nhị phân, nhưng giá trị tài sản của sơ đồ 4 bit mã là khác nhau.Chúng ta dùng phương trình mô tả by Goldberg (1989, p. 100).Mã màu xám có nghĩa là đảm bảo số giá trị gần giống nhau ngoại trừ một chút thay đổi.Mã hóa chẵn (cái) đại diện cho một số nguyên 16 thuộc tính.Mọi mục dữ liệu (tin nhắn) là một trong 16 bit vector, trong đó mỗi vị trí là một trong 10 đến 15 trong phạm vi số nguyên.Mọi trái là bởi một vị trí 16 một vector, trong đó mỗi vị trí là một hoang dại hay mục tiêu trị giá tài sản.Sử dụng mã hóa chẵn, chúng ta đã xác định một kích cỡ của cửa sổ mờ khớp.Một bộ quân phục kích cỡ của cửa sổ được dùng trong tất cả các thuộc tính.Nếu kích thước cửa sổ đặt bằng 0, thì tất cả các thuộc tính không hoang dại đều cần một chính xác phù hợp.Nếu kích thước cửa sổ đặt ở 1, một khớp với một chương trình thử nghiệm, nếu tất cả các giá trị của tài sản phi Wild Card là mục tiêu của chương trình thử nghiệm cùng một giá trị, hay ở nên giá trị trong 1 đơn vị.Nếu kích thước cửa sổ đặt làm 2, một phân loại phù hợp, nếu tất cả các thuộc tính không hoang dại của mục tiêu giá trị trong chương trình thử nghiệm giá trị trong vòng 2 đơn vị.Vì vậy, kích cỡ của cửa sổ đã quyết định định nghĩa 1 tương ứng với mức độ mờ của tính khoan dung.Booker (1988, P. 182) mô tả thực hiện phần tương ứng với một giải pháp khác.Trong hệ thống của nó, hầu hết các nguyên tắc khớp, nhưng không phải tất cả các Phi hoang dại thuộc tính có thể có quyền bán đấu giá.2.Tạo ra luật.Hà Lan, đợi đã.(1986) mô tả cách tạo ra luật mới khác nhau, bao gồm chạy ¬ Dom tạo ra, hai dạng biến dị di truyền ( và đặc hoá), di truyền, và dựa trên những tiến.Trong các nghiên cứu của chúng tôi, chúng tôi đã nghiên cứu một cách ngẫu nhiên tạo ra 3 loại:, dựa trên một thế hệ, và quá trình tổng hợp từ ngẫu nhiên, luật và hậu duệ của tiến hóa từ trội mẹ sử dụng biến đổi di truyền đơn thập Operators và chuyên nghiệp.Trong quá trình ngẫu nhiên (chạy), 3900 một quy tắc, 26 cho 150 là một loại tạo ra giai đoạn trước khi tập luyện.Mỗi loại tạo ra tình trạng hoang dại của phân phối ngẫu nhiên hay đồng nhất của giá trị tài sản của phân phối ngẫu nhiên trong mỗi vectơ vị trí, và phân phối ngẫu nhiên một kết quả có giá trị (26 tuổi là một trong những lớp).Mỗi khi một người thường xuyên gặp thất bại, để xác định độ trước buổi biểu diễn, nó lập tức bị hủy bỏ, và được tạo ra luật mới đã thay thế.Thành công của hệ thống luật bị vô hạn chế xuống đất.Trong quá trình tổng hợp (HYB), 3900 quy tắc trên đây là lần đầu tiên được tạo ra.Khi một luật giảm thiểu mức hiệu suất giáp các đô thị sau khi bị thay thế ngay lập tức.Ở mỗi một trong quá trình thử nghiệm, thay thế có thể gọi ba quy luật tạo ra một cách độc lập.Một cách là miêu tả quá trình chạy trên đó.¬ tạo ra thứ hai phương pháp luật mới (MUT), liên quan đến việc lựa chọn mạnh thường xuyên, chọn ngẫu nhiên một thuộc tính, và một số phân phối ngẫu nhiên giữa 0 và 15, các thuộc tính.Kết quả của quá trình này, dù là giữ hiện nay quy định cụ thể (trong thuộc tính đã được chọn là liên quan đến vụ án) hay tăng cụ thể (trong trường hợp chọn Properties, từng là một người hoang dại).Tính chất này là có chủ ý.Do quá trình ngẫu nhiên đã tạo ra quy định, phải thấp. Cụ thể, để có cơ hội dù là một người yếu đuối, tương ứng với chương trình thử nghiệm.Quá trình đột biến với mục đích là để cải thiện quy định cụ thể, để tăng hiệu suất của hệ thống.Quy tắc tạo (Cross) thứ ba cách chọn hai luật mạnh mẽ, một sự lựa chọn ngẫu nhiên một đơn vị trí phân chia, và tạo ra một luật mới kết hợp các thành phần của giai đoạn từ bên trái, phải chia rẽ.Thực hiện tất cả những single thập chéo.Với tư cách là phương pháp vật và vượt qua cha, thường xuyên phải có cùng kết quả thường bị thay thế, nó sẽ cao hơn cường độ phân phối sức mạnh ban đầu.Đáp ứng các điều kiện quy định được lựa chọn ngẫu nhiên cho là cha mẹ của tỷ lệ, họ tập thể dục với số điểm.Mỗi lần quy định của chương trình lai tạo (HYB), ba cách là một sự lựa chọn ngẫu nhiên một tỷ lệ đột biến ở Oh chạy, 60%, chéo Oh.Khi vật hoặc chéo được lựa chọn, nhưng không có quy định pháp luật. Khả năng làm cha mẹ, chạy đi.Khi được chọn, nhưng chỉ có một con đường đạt tiêu chuẩn của cha mẹ, phải dùng phương pháp.Tỷ lệ 20-60-20 lựa chọn, vì nó tạo ra kết quả tốt hơn