| Revue: | Dyna (Medellín) |
| Base de datos: | |
| Número de sistema: | 000536583 |
| ISSN: | 0012-7353 |
| Autores: | Diaz, Nestor1 Tischer, Irene2 |
| Instituciones: | 1Universidad del Cauca Faculty of Electronics and Telecommunications Engineering, Popayan. Colombia 2Universidad del Valle Faculty of Engineering, Cali. Colombia |
| Año: | 2020 |
| Periodo: | Oct-Dic |
| Volumen: | 87 |
| Número: | 215 |
| Paginación: | 39-46 |
| País: | Colombia |
| Idioma: | Inglés |
| Resumen en español | La Tarea de Clasificación de Densidad (TCD) es un problema bien conocido, donde el objetivo principal es construir un autómata celular cuya regla local dé lugar a una coordinación global emergente. Describimos los métodos utilizados para identificar nuevos autómatas celulares que resuelven este problema. Nuestro enfoque identifica tanto la vecindad como su regla estocástica utilizando un conjunto de datos de configuraciones iniciales que cubre de manera predefinida el rango completo de densidades en TCD. Comparamos nuestros resultados con algunos modelos disponibles actualmente en el campo. En algunos casos, nuestros modelos muestran un mejor rendimiento que la mejor solución informada en la literatura, con una eficacia de 0.842 para conjuntos de datos con distribución uniforme alrededor de la densidad crítica. Las pruebas se llevaron a cabo en conjuntos de datos de diversos tamaños de malla y condiciones de muestreo. Finalmente, mediante una prueba estadística no paramétrica demostramos que no hay diferencias significativas entre nuestros autómatas celulares identificados y el modelo más conocido. |
| Resumen en inglés | Density Classification Task (DCT) is a well-known problem, where the main goal is to build a cellular automaton whose local rule gives rise to emergent global coordination. We describe the methods used to identify new cellular automata that solve this problem. Our approach identifies both the neighborhood and its stochastic rule using a dataset of initial configurations that covers in a predefined way the full range of densities in DCT. We compare our results with some models currently available in the field. In some cases, our models show better performance than the best solution reported in the literature, with efficacy of 0.842 for datasets with uniform distribution around the critical density. Tests were carried out in datasets of diverse lattice sizes and sampling conditions. Finally, by a statistical non-parametric test, we demonstrate that there are no significant differences between our identified cellular automata and the best-known model. |
| Palabras clave: | Diseño automatizado de modelos, Framework computacional, Aprendizaje de máquina, Algoritmo genético, Test de Friedman, Test post-hoc de Nemenyi |
| Keyword: | Automated model design, Computational framework, Machine learning, Genetic algorithm, Friedman test, Nemenyi’s post-hoc test |
| Texte intégral: | Texto completo (Ver HTML) Texto completo (Ver PDF) |
