اتوماتای یادگیر Learning Automata
اسلاید 1: اتوماتای یادگیرLearning Automatawww.prozhe.comwww.Prozhe.com
اسلاید 2: فرایند یادگیری فرایندی که طی آن موجودات زنده مطالب مختلف را یاد می گیرند موضوع مورد علاقه بسیاری از دانشمندان بوده است. تحقیقاتی که در این زمینه صورت گرفته است در دو شاخه کلی متمرکز است:1-درک فرایندی که موجودات زنده در طی آن اقدام به یادگیری می کنند.2- بدست آوردن روش هایی که با استفاده از آنها بتوان این قابلیت را به ماشین منتقل نمود.2www.prozhe.com
اسلاید 3: فرایند یادگیریتعریف یادگیری: اعمال یک سری تغییرات در کارایی سیستم براساس تجارب قبلی است.مهمترین مشخصه یک سیستم یادگیر: افزایش کارایی آن با گذشت زمان. 3www.prozhe.com
اسلاید 4: فرایند یادگیریتعریف ریاضی یک سیستم یادگیر: هدف یک سیستم یادگیر بهینه سازی یک عملکرد است که کاملا امکان شناسایی آن وجود ندارد.بر طبق این تعریف: می توان هدف سیستم یادگیر را به یک مساله بهینه سازی که بر روی یک مجموعه پارامتر تعریف شده است کاهش داد و با بدست آوردن پارمترهای بهینه از طریق روش های موجود آن را حل کرد.4www.prozhe.com
اسلاید 5: تاریخچه اتوماتای یادگیرمفهوم اتوماتای تصادفی (Stochastic Automata) اولین بار توسط تستلین (Testlin) در سال 1960 در اتحاد جماهیر شوروی ارائه شد. پس از آن در تحقیقات بعدی نمونه های مختلفی از کاربردهای روش های یادگیری در سیستم های مهندسی بوجود آمد که از آن جمله می توان به مسیریاب تلفن، شناسایی الگو و تقسیم بندی اشیاء و کنترل قابل تطبیق اشاره کرد.5www.prozhe.com
اسلاید 6: تاریخچه اتوماتای یادگیردر دهه 60 میلادی سایپکین (Sypkin) روشی برای ساده کردن مسائل فوق برای تشخیص پارامترهای بهینه و بکاربردن روش های تپه نوردی برای حل آن، معرفی کرد. تستلین و همکارانش در همان زمان کار، بر روی اتوماتاهای یادگیر را آغاز کردند و مفهوم اتوماتای یادگیر برای اولین بار توسط وی مطرح شد. تستلین به مدلسازی رفتارهای سیسیتمهای بیولوژیکی علاقمند بود و یک اتوماتای قطعی که در محیط تصادفی فعالیت می کرد را به عنوان مدلی برای یادگیر معرفی کرد.6www.prozhe.com
اسلاید 7: تاریخچه اتوماتای یادگیررویکرد دیگری که توسط نارندرا (Narendra) و همکارش به کار گرفته شد، در نظر گرفتن مساله به صورت پیدا کردن اقدام بهینه از میان مجموعه اقدام های مجاز اتوماتای تصادفی بود. 7www.prozhe.com
اسلاید 8: اتوماتای یادگیريک اتوماتاي يادگير را ميتوان بصورت يک شئ مجرد (Abstract Object) که داراي تعداد متناهي عمل است، در نظر گرفت. اتوماتاي يادگير با انتخاب يک عمل از مجموعه عمل هاي خود و اِعمال آن بر محيط، عمل مي‌کند.عمل مذکور توسط يک محيط تصادفي ارزيابي مي‌شود و اتوماتا از پاسخ محيط براي انتخاب عمل بعدي خود استفاده مي‌کند. در طي اين فرايند اتوماتا ياد مي‌گيرد که عمل بهينه را انتخاب نمايد.8www.prozhe.com
اسلاید 9: اتوماتای یادگیرنحوه استفاده از پاسخ محيط به عمل انتخابي اتوماتا که در جهت انتخاب عمل بعدي اتوماتا استفاده مي‌شود، توسط الگوريتم يادگيري اتوماتا مشخص مي‌گردد. قسمت های اصلی اتوماتای یادگیر: 1-يک اتوماتاي تصادفي با تعداد محدودي عمل و يک محيط تصادفي که اتوماتا با آن در ارتباط است. 2-الگوريتم يادگيري که اتوماتا با استفاده از آن عمل بهينه را ياد مي‌گيرد.9www.prozhe.com
اسلاید 10: اتوماتای یادگیريک اتوماتا بصورت پنج‌تايي تعريف مي‌شود که : مجموعه عمل‌هاي اتوماتا است و r تعداد عمل های اتوماتا. مجموعه ورودي‌هاي اتوماتا، تابع توليد وضعيت جديد،10www.prozhe.com
اسلاید 11: اتوماتای یادگیر تابع خروجي که وضعيت فعلي را به خروجي بعدي نگاشت مي‌کند، مجموعه وضعيت‌هاي داخلي اتوماتا در لحظه n، مي‌باشند.11www.prozhe.com
اسلاید 12: اتوماتای یادگیرΦ(n)={Φ1 Φ2,…, Φk}مجموعه ورودی های اتوماتامجموعه خروجی های اتوماتاحالات داخلی اتوماتا12www.prozhe.com
اسلاید 13: اتوماتای یادگیر توابع F و G وضعيت فعلي ورودي را به خروجي بعدي (عمل بعدي) اتوماتا نگاشت مي‌کنند.بر حسب نگاشت های F و G می توان تقسیم بندی زیر را انجام داد: 1- اگر نگاشت‌هايFو Gقطعي باشند، اتوماتا يک اتوماتاي قطعي (Deterministic Automata) ناميده مي‌شود.با اطلاع از وضعیت فعلی اتوماتا و ورودی اتوماتا (پاسخ محیط)، وضعیت بعدی اتوماتا و اقدام آن مشخص می‌باشد.13www.prozhe.com
اسلاید 14: اتوماتای یادگیر 2- اگر نگاشت‌هاي F و G تصادفي باشند، اتوماتا يک اتوماتاي تصادفي (Stochastic) ناميده مي‌شود.با اطلاع از وضعیت فعلی اتوماتا و ورودی اتوماتا (پاسخ محیط)، فقط احتمال وضعیت بعدی اتوماتا و اقدام آن مشخص می‌باشد.14www.prozhe.com
اسلاید 15: تقسیم بندی اتوماتاها اتوماتا ی با ساختار ثابت (Fixed Structure Automata): در اتوماتاي یادگیر با ساختار ثابت احتمال عمل‌هاي اتوماتا ثابت هستند.اتوماتای با ساختار متغير (Variable Structure Automata): در اتوماتاي تصادفي با ساختار متغير احتمالات عمل‌هاي اتوماتا در هر تکرار بِروز مي‌شوند. در اتوماتاي يادگير با ساختار متغير، تغيير احتمال‌هاي عمل‌ها بر اساس الگوريتم يادگيري انجام مي‌شود.15www.prozhe.com
اسلاید 16: تقسیم بندی اتوماتاها در اتوماتاي يادگير با ساختار متغير وضعيت داخلي اتوماتا توسط احتمالات عمل‌هاي اتوماتا بازنمايي مي‌شوند. وضعيت داخلي اتوماتا در لحظه n را با بردار احتمال عمل‌هاي اتوماتا P(n) که در زير آمده است، نشان داده مي‌شود: بطوري‌که:در آغاز فعاليت اتوماتا، احتمال عمل‌هاي آن با هم برابر و مساوي مي‌باشند (که r تعداد عمل‌هاي اتوماتا ميباشد).16www.prozhe.com
اسلاید 17: محیط Enviromentيادگيري در رويكرد مبتني بر اتوماتاهاي يادگير، بصورت تشخيص يك اقدام/عمل بهينه از ميان مجموعه اقدامهاي مجاز ميباشد.اين اقدام در يك محيط تصادفي اِعمال مي‌شود.محيط با توليد يك خروجي به اقدام اعمال شده پاسخ مي‌دهد.17www.prozhe.com
اسلاید 18: محیطمحيط را ميتوان توسط سه‌تايي نشان داد که : مجموعه ورودي‌هاي محيط (خروجی های اتوماتا)، مجموعه خروجي‌هاي محيط (ورودی های اتوماتا)، مجموعه احتمال‌هاي جريمه است.18www.prozhe.com
اسلاید 19: محیطci احتمال دریافت پاسخ نامطلوب از محیط هنگامیکه اقدام iدر محیط اعمال می‌شود.یا19www.prozhe.com
اسلاید 20: محیطمحیطمجموعه ورودی های محیط مجموعه خروجی های محیط 20www.prozhe.com
اسلاید 21: رابطه بین اتوماتای یادگیر و محیط21www.prozhe.com
اسلاید 22: مدل های محیطبر حسب βi ها (پاسخ محيط) داریم:مدل P :اگرخروجی محیط تنها دو مقدار 0 و1 را اختیار کند .مدل Q :تعداد محدود (به طور گسسته)، در بازه [1، 0] باشد.مدل S :چنانچه خروجی محیط یک متغیر تصادفی با مقادیر احتمال در بازه [1، 0] باشد.22www.prozhe.com
اسلاید 23: مدل های محیطاگرci ها ثابت و مشخص باشد؟نيازي به يادگيري نيست!اقدام بهينه = اقدامي با كمترين جريمه.مسائلی کهci ها ناشناخته هستند مورد نظر می‌باشند.23www.prozhe.com
اسلاید 24: معیارهای رفتار اتوماتای یادگیربراي اندازه گيري کارايي اتوماتاي يادگير تصادفي شاخصهاي معيني تعريف شده اند که امکان مقايسه روشهاي مختلف يادگيري را فراهم مي آورند .يک اتوماتاي تصادفی محض (Pure-Chance Automaton) به صورت اتوماتايي تعريف می شود که عمل هاي آن هميشه احتمال يکساني براي انتخاب شدن داشته باشند. بنابراين يک اتوماتاي يادگير بايد از يک اتوماتاي تصادفی محض بهتر عمل کند.24www.prozhe.com
اسلاید 25: معیارهای رفتار اتوماتای یادگیرمحيط توسط احتمالات جريمه نشان داده می شود که ci احتمال جریمه متناظر با عمل است.مقدار M(n) به صورت ميانگين جريمه هاي دريافت شده توسط اتوماتا (براي يک بردار عمل مفروض) تعريف و بر اساس رابطه زیرمحاسبه می شود.25www.prozhe.com
اسلاید 26: معیارهای رفتار اتوماتای یادگیربراي يک اتوماتاي تصادفی محض ميانگين جريمه ها M(n) یک عدد ثابت M0 است که طبق رابطه زیربه دست می آید.بنابراين اتوماتايي که بخواهد بهتر از اتوماتاي تصادفی محض عمل کند بايد ميانگين جريمه هاي کمتري از M0 داشته باشد. از آنجایی که M(n) یک متغیر تصادفی است امید ریاضی M(n) با M0 مقايسه می شود. بنابراين اسلاید های بعد را خواهيم داشت.26www.prozhe.com
اسلاید 27: معیارهای رفتار اتوماتای یادگیراتوماتای یادگیر مصلحت اندیشexpedient : اگر:اين نوع اتوماتون صرف بهتر از اتوماتون مبتني بر شانس عمل مي‌كند و رفتار بهينه ندارد.27www.prozhe.com
اسلاید 28: معیارهای رفتار اتوماتای یادگیراتوماتای یادگیر بهینه Optimal : اگر : در حالي که بهينه بودن اتوماتا يک ويژگي مطلوب در محيطي ايستا به شمار مي رود، در عمل ممکن است يک کارائي زيربهينه مورد نياز باشد. يک محيط واقعي معمولا متغير است و در صورتی که توزیع متغیر در طول زمان تغییر کند از آنجايي که الگوريتم بر روي هيچ حالت خاصي متوقف نمي ماند يک اتوماتاي نيمه بهينه مناسب تر می باشد.28www.prozhe.com
اسلاید 29: معیارهای رفتار اتوماتای یادگیراتوماتای یادگیر بهینه ε-Optimal : اگر :مناسب در یک محیط غیرایستا non-stationary است.29www.prozhe.com
اسلاید 30: معیارهای رفتار اتوماتای یادگیر اتوماتاي يادگير Absolutely Expedient گفته مي‌شود، اگر :علت آنكه در سمت راست نامساوي از اميد رياضي استفاده ننموده‌ايم آنست كه چون مرحله nام را پشت سر گذاشته‌ايم. پس M(n) ثابت است ولي M(n+1) احتمالي است و بستگي به p(n) دارد.30www.prozhe.com
اسلاید 31: معیارهای رفتار اتوماتای یادگیر Expediency بندرت نشان می دهد که اتوماتاي يادگير بهتر از اتوماتاي تصادفی محض عمل می کند. بنابراين بهينگی شاخص مناسب تري براي مقايسه روش هاي مختلف يادگيري می باشد. بهينه بودن اطمينان می دهد که عملي که توسط اتوماتا انتخاب می شود عملي بهينه باشد. در محيط هاي واقعي به علت متغير بودن محيط رفتار زير بهينه ارجحيت دارد. 31www.prozhe.com
اسلاید 32: الگوریتم یادگیری الگوریتم یادگیری T می تواند به صورت زیر نشان داده شود: اگر عملکرد خطی باشد الگوریتم یادگیر خطی و در غیر این صورت غیرخطی نامیده می شود.32www.prozhe.com
اسلاید 33: الگوریتم یادگیریایده اصلی الگوریتم های یادگیر به صورت زیر است:اگر اتوماتا در تکرار n ام عمل را انتخاب کند و از محیط پاسخ مطلوبی دریافت کند، احتمال مربوط به عمل انتخاب شده افزایش می یابد و احتمال سایر اعمال کاهش می یابد.اگر پاسخ دریافتی از محیط نامطلوب باشد احتمال کاهش و سایر احتمالات افزایش می یابد.33www.prozhe.com
اسلاید 34: الگوریتم یادگیری پاسخ مطلوب از محيط β(n)=0 :پاسخ نامطلوب از محيط β(n)=1 :34www.prozhe.com
اسلاید 35: الگوریتم یادگیریتوابع fi و gi دو تابع غیر منفی هستند که منظور پاداش و جریمه بکار برده می شوند که به صورت زیر تعریف می شوند:که:r تعداد اقدام های اتوماتا، a پارامتر پاداش و b پارامتر جریمه است. 35www.prozhe.com
اسلاید 36: الگوریتم یادگیریاگر پارامتر a و b مساوی باشند. طرح پاداش- جریمه خطی یا LRP (Learning Reward-Penalty) نامیده می شود.در این روش نرخ آپدیت بردار احتمال در هر گام زمانی صرفنظر از پاسخ محیط، یکسان است.36www.prozhe.com
اسلاید 37: الگوریتم یادگیری اگر پارامتر b یادگیری برابر با صفر باشد، به این روش پاداش خطی یا LRI (Learning Reward-Inaction) می گویند. این به این معنی است که احتمالات عمل در برابر پاسخ جایزه از محیط آپدیت می شود، اما جریمه ها ازریابی نمی شوند.اگر b ≪ a باشد، روش یادگیری جریمه جزیی- پاداش خطی یا LRεP بدست می آید.37www.prozhe.com
اسلاید 38: الگوریتم یادگیریبا استفاده از معادلات ذكر شده داريم:آ – پاسخ مطلوب ب – پاسخ نامطلوب 38www.prozhe.com
اسلاید 39: انواع اتوماتاهای یادگیر اتوماتاهای یادگیر را بر اساس نوع بردار احتمال می توان به دو دسته کلی تقسیم کرد: اتوماتاهایی با ساختار ثابت: بردار احتمال آن در طی اجرای الگوریتم ثابت است. اتوماتای ساختار متغیر: بردار احتمالات در طول اجرای الگوریتم تغییر می کند.39www.prozhe.com
اسلاید 40: انواع اتوماتاهای یادگیر با ساختار ثابت اتوماتای یادگیر با ساختار ثابت را با یک پنج تایی به شکل نشان می دهندکه در آن α مجموعۀ عمل ها، β مجموعۀ ورودی ها از محیط، F تابع تغییر وضعیت براساس پاسخ محیط و G تابعی است که وضعیت فعلی را به خروجی بعدی نگاشت می کند. تابعΦ مجموعه حالات داخلی اتوماتاست.40www.prozhe.com
اسلاید 41: انواع اتوماتاهای یادگیر با ساختار ثابت1- اتوماتای L2,2 :این اتوماتا تنها دارای دو حالت ϕ1 وϕ2 و دوخروجی α1 وα2 است. ورودی به اتوماتا دو مقدار{1،0} است. اتوماتا با دریافت ورودی 1 حالت خود را عوض می کند و با دریافت ورودی 0 در همان حالت می ماند.41{Φ1, Φ2} , {α1, α2} , {c1, c2} , {0,1}www.prozhe.com
اسلاید 42: انواع اتوماتاهای یادگیر با ساختار ثابت2- اتوماتای L2N,2 :این اتوماتا تغییر یافته اتوماتای L2,2 است که دارایN 2 حالت و دو اقدام می باشد. اتوماتای L2,2 با دریافت جواب نامطلوب به عمل دیگر انتقال می یافت اما در این نوع اتوماتا برای هر عمل تعداد موفقیت ها و شکست ها نگه داری شده و تنها زمانی تغییر حالت روی می دهد که تعداد شکست ها از تعداد موفقیت ها بیشتر شود. 42www.prozhe.com
اسلاید 43: انواع اتوماتاهای یادگیر با ساختار ثابتدر این اتوماتا حالات ϕ1, ϕ2,..., ϕN مربوط به اقدام α1 و حالات ϕN+1, ϕN+2,..., ϕ2N مربوط به اقدام α2 است.431N-1N232NN+2N+12N-1N+3β=01N-1N232NN+2N+12N-1N+3β=1پاسخ مطلوبپاسخ نا مطلوبwww.prozhe.com
اسلاید 44: انواع اتوماتاهای یادگیر با ساختار ثابت3- اتوماتای کرینسکی (Krinsky) :رفتار این اتوماتا در برابر پاسخ مطلوب، حالت ϕi به ازای i=1,2,..,N) ) به حالت ϕ1 می رود و در حالت ϕi به ازای i=(N+1,N+2,..,2N) به حالت ϕN+1 تغییر می یابد. این اتوماتا برای پاسخ نامطلوب مانند اتوماتای L2N2 می کند.N failures are needed to have a state change44N-1N232NN+2N+12N-1N+3b=01www.prozhe.com
اسلاید 45: انواع اتوماتاهای یادگیر با ساختار ثابتN failures are needed to have a state change45www.prozhe.com
اسلاید 46: انواع اتوماتاهای یادگیر با ساختار ثابت4- اتوماتای کرایلوف (Krylov):این اتوماتا برای پاسخ مطلوب مانند اتوماتای L2N2عمل می کند، اما با مشاهده پاسخ نامطلوب از محیط با احتمال 0/5 از حالت ϕi که(i ≠1,N,N+1,2N) به حالت ϕi+1 و یا ϕi-1 می رود.461N-1N22NN+2N+12N-1b=10.50.50.50.50.50.50.5www.prozhe.com
اسلاید 47: انواع اتوماتاهای یادگیر با ساختار ثابتWhen Automaton encountered with a failure,Each state Φi is changed to Φi+1 with probability ½ or to Φi-1 with probability ½.زمانيكه پاسخ محيط مطلوب است، تغيير وضعيت مانند اتوماتون L2N,2 ميباشد. 47b=0www.prozhe.com
اسلاید 48: اتوماتای یادگیر با ساختار متغیریک اتوماتای یادگیر با ساختار متغییر به صورت زیر تعریف می شود: LA = {a,b,p,T,c} که: a = { a1, a2,..., an } مجموعه عمل ها،b = { b1, b2,..., bn } مجموعه ورودی ها،p = { p1, p2,..., pn} بردار احتمال انتخاب ها،T : p(n+1) = T[a(n),b(n),p(n)] الگوریتم یادگیری،c = {c1,c2,..., cr} مجموعه احتمال های جریمه.این اتوماتا احتمال های عمل خود را بر طبق پاسخ محیط آپدیت می کند.48www.prozhe.com
اسلاید 49: اتوماتای یادگیر با ساختار متغیراگر عمل αi در مرحله n انتخاب و محیط پاسخ مطلوب بدهد احتمال افزایش و سایر احتمالات کاهش می یابد. اگر محیط پاسخ نامطلوب بدهد احتمال کاهش و سایر احتمالات افزایش می یابد.در هر حال،تغييرات بگونه‌اي صورت مي‌پذيرد كه حاصل جمع تمام pi (n) ها همواره برابر با 1 است.49www.prozhe.com
اسلاید 50: ويژگي‌هاي اتوماتاهاي يادگيربرای استفاده از اتوماتای یادگیر در یک کاربرد باید ویژگی های بنیادی اتوماتاهای یادگیر و طبیعت کاربرد را با هم در نظر گرفت. . اتوماتاهای یادگیر با دارا بودن ویژگی‌های اسلاید بعد به عنوان ابزار قدرتمندی در حل بسیاری از مسائل استفاده گردیده است.50www.prozhe.com
اسلاید 51: ويژگي‌هاي اتوماتاهاي يادگير1- اتوماتاهای یادگیر در شرایطی که هیچگونه اطلاعاتی در دسترس نیست به خوبی عمل می‌کنند. 2- اتوماتاهای یادگیر برای بهبود وضعیت خود در هر مرحله به یک بازخورد ساده از محیط نیاز دارند.3- اتوماتاهای یادگیر به عنوان مدلی برای یادگیري در محیط‌های توزیع‌شده و چند عامله با ارتباطات محدود و اطلاعات ناقص بسیار کارساز هستند.4- اتوماتاهای یادگیر در شرایطی که عدم اطمینان وجود دارد دارای عملکرد خوبی می‌باشند.51www.prozhe.com
اسلاید 52: ويژگي‌هاي اتوماتاهاي يادگير5- اتوماتاهای یادگیر عمل جستجو را در فضای احتمال انجام می‌دهند. 6- اتوماتاهای یادگیر ساختاری ساده دارند و به همین دلیل به سادگی در نرم‌افزار یا سخت‌افزار قابل پیاده‌سازی هستند.7- اتوماتاهای یادگیر دارای بار محاسباتی بسیار کم می‌باشند و به همین دلیل به سادگی در کاربردهای بلادرنگ قابل استفاده می‌باشند. 52www.prozhe.com
اسلاید 53: ويژگي‌هاي اتوماتاهاي يادگيراز طرف دیگر استفاده از اتوماتاهای یادگیر در کاربردهایی مفید است که یک یا چند خصوصیت زیر را دارا باشند:1- کاربرد به اندازه‌ي کافی پیچیده و نامطمئن باشد به طوریکه یک مدل ریاضی برای آن موجود نباشد.2- کاربرد قابلیت کنترل توزیعی و مدل سازی توسط مجموعه‌ای از عامل های خودمختار را داشته باشد. 3- سیگنال تقویتی یک متغیر تصادفی باشد و بر اساس معیار کارایی تولید گردد. 53www.prozhe.com
اسلاید 54: ويژگي‌هاي اتوماتاهاي يادگير4- بهبود کمی در کارایی مورد نظر صرفه‌ي اقتصادی بالایی داشته باشد.5- الگوریتم قطعی برای کاربرد مورد نظر وجود نداشته باشد.54www.prozhe.com
اسلاید 55: محدودیت ها اتوماتاهاي يادگير1- اتوماتاهای یادگیر از اطلاعات اولیه‌ي کمی استفاده می‌کنند و اطلاعات اضافی درباره‌ي محیط همیشه در اتوماتاهای یادگیر قابل استفاده نمی‌باشد.2- نرخ همگرایی اتوماتاهای یادگیر برای بسیار از کاربردها پایین می‌باشد.3- اتوماتاهای یادگیر مدل های غیر متداعی می‌باشند.55www.prozhe.com
اسلاید 56: اتوماتاي يادگير توزيع شدهاتوماتاي يادگير توزيع شده (DLA) ، شبكه‌اي از اتوماتاهاي يادگير است كه براي حل يک مساله با يكديگر همكاري مي نمايند.تعداد اقدامهاي يك اتوماتا در DLA برابر تعداد اتوماتاهاي يادگير متصل به اين اتوماتاي يادگير مي باشد.انتخاب يك اقدام توسط يك اتوماتاي يادگير در شبكه، اتوماتاي يادگير متناظر با اين اقدام را فعال مي سازد.56www.prozhe.com
اسلاید 57: اتوماتاي يادگير توزيع شدهمثال: اتوماتاي يادگير توزيع شده (DLA) با 3 اتوماتا ي يادگير57www.prozhe.com
اسلاید 58: اتوماتاي يادگير توزيع شدهدر شکل قبل هر اتوماتا يادگير داراي دو اقدام مي باشد. انتخاب اقدام توسط ، اتوماتا يادگير را فعال خواهد كرد. اتوماتاي يادگير فعال شده سپس يكي از اقدامهاي خود را انتخاب مي كند كه در نتيجه آن يكي از اتوماتاهاي يادگير متصل به آن اتوماتاي يادگير كه متناظر با اقدام انتخاب شده مي باشد فعال مي شود. در هر زمان فقط يك اتوماتاي يادگير در شبكه فعال ميباشد.58www.prozhe.com
اسلاید 59: اتوماتاي يادگير توزيع شدهبطور رسمي DLA را ميتوان توسط گراف که مجموعه اتوماتاهاي يادگير و n تعداد اتوماتاهاي يادگير در DLA و مجموعه لبه‌هاي گراف مي باشد، تعريف كرد.لبه اقدام j اتوماتا ي يادگير را نشان مي دهد. زماني فعال خواهد شد كه اقدام j اتاماتای یادگیر انتخاب شود. تعداد اقدامهاي اتوماتاي يادگير ( ) برابر درجه‌ي خروجي گره متناظر با اتوماتاي يادگير مي باشد.59www.prozhe.com
اسلاید 60: پایانwww.prozhe.com
نقد و بررسی ها
هیچ نظری برای این پاورپوینت نوشته نشده است.