자율 에이전트의 행동 제어를 위한 학습 분류 시스템들의 비교 연구

Abstract

본 논문에서는 Learning Classifier System(LCS)를 사용하여 학습하는 자율 에이전트의 성능에 영향을 미치는 파라메터를 찾고 파라메터가 주는 영향의 차이에 대해서 분석하는 것을 목표로 두고 있다. 1980년 이후 여러가지 종류의 LCS들이 개발되었지만, LCS들을 사용해서 자율에이전트의 행동 제어를 학습 하는 경우에 대한 비교 분석은 많이 이루어지지 않았다. 따라서 본 논문에서는 Zeroth-level Classifier System(ZCS), eXtended Classifier System(XCS) 두가지 LCS에 대해서 파라메터를 선택하고, 어떤 영향을 주는 지를 알아 보았다. 본 논문에서는 각 LCS들의 성능의 평가를 가상환경에서 자율 에이전트가 생존하는 기간을 통해 평가하였다. 파라메터의 영향을 알기위해 파라메터를 변경해 가면서 실험하였다. 사용된 파라메터는 LCS가 가지는 최대 규칙의 개수의 상한, 규칙에 포함된 와일드 카드의 비율, 유전 알고리즘을 적용할 모집단의 3가지이다. 유전 알고리즘을 적용하는 모집단은 기존 ZCS와 XCS에서 사용하는 전체 규칙들과 입력이 조건에 만족하며 출력이 일치하는 규칙들 외에 입력만 조건에 만족하는 규칙들을 추가하였다. XCS와 ZCS를 비교 하였을 때에 최대 규칙의 개수의 상한과 규칙에 포함된 와일드 카드의 비율을 변경 하였을 때에 ZCS에 비해 성능의 변화가 적으며 우수한 것을 볼 수 있다. 모집단을 사용한 경우 ZCS와 XCS 모두 기존 알고리즘이 사용하는 모집단 보다 본 논문에서 사용한 입력만을 만족하는 규칙들이 더 높은 성능을 보이고 있다. 이 결과는 파라메터에 따라 어떤 성능의 변화가 있는 지와 같은 조건에서의 ZCS, XCS의 차이를 알 수 있어 파라메터 설정을 위한 가이드 라인이 될 수 있다.