Resumen

DIAZ, Nestor  y  TISCHER, Irene. Minando autómatas celulares estocásticos para resolver el problema de clasificación de densidad en dos dimensiones. Dyna rev.fac.nac.minas [online]. 2020, vol.87, n.215, pp.39-46.  Epub 04-Ene-2021. ISSN 0012-7353.  https://doi.org/10.15446/dyna.v87n215.83200.

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.

Palabras clave : diseño automatizado de modelos; framework computacional; aprendizaje de máquina; algoritmo genético; test de Friedman; test post-hoc de Nemenyi.

        · resumen en Inglés     · texto en Inglés     · Inglés ( pdf )