基于平均奖赏强化学习算法的零阶分类元系统

零阶学习分类元系统ZCS(Zeroth-level Classifier System)作为一种基于遗传的机器学习技术(GeneticsBased Machine Learning),在解决多步学习问题上,已展现出应用价值。然而标准的ZCS系统采用折扣奖赏强化学习技术,难于适应更为广泛的应用领域。基于ZCS的现有框架,提出了一种采用平均奖赏强化学习技术(R-学习算法)的分类元系统,将ZCS中的折扣奖赏强化学习方法替换为R-学习算法,从而使ZCS一方面可应用于需要优化平均奖赏的问题领域,另一方面则可求解规模较大、需要动作长链支持的多步学习问题。实验显示,在多步学习问题中,该系统可给出满意解,且在维持动作长链,以及克服过泛化问题方面,具有更优的特性。

XCS分类元系统于金融投资决策上之应用——以台湾加权指数为例

人工智能模型近年来在财经领域上的应用相当广泛,也常与传统的统计模型相互比较。传统时间序列数学模型存在许多假设与限制,但人工智能模型较具有弹性,可解决非线性问题,较适合应用于像股票市场这种动态环境。该研究为应用人工智能方法之分类元系统(classifiersys-tem,CS)模型于台湾加权指数趋势之预测。分类元是一种以基因算法为基础的学习模式。它拥有一个规则集,而且会动态对环境进行调整。该研究运用不同天期移动平均线(MA)、随机指针(KD)、平滑异同移动平均线(MACD)等技术指针当作输入因子,加权指数之买卖讯号作为输出因子,经由分类元系统动态学习买卖规则,每次操作以加权指数为交易标的。实证结果显示10年测试期间分类元股票交易系统(CSTS)30次仿真结果之平均报酬率为165·38%,平均交易胜率为60·31%。统计分析显示CSTS系统之平均交易报酬率及交易准确率皆显著优于传统回归模式及随机交易策略。证实分类元系统可较传统策略准确掌握加权指数之趋势,非常适合投资者作为交易决策系统。

LCS在多步学习问题中的规则集压缩算法

为了解决学习分类元系统(LCSs)应用于多步学习问题时会生成规模庞大、冗余的规则集问题,提出了一种规则集压缩算法.该算法的处理过程包含三个阶段:a.通过特殊的遗传进化操作,在删除一些较弱分类元的同时,增加规则集里泛化能力较强、适应值较高的分类元的个体数目;b.进行冲突消解,消除规则集里相互重叠、相互冲突的分类元;c.对产生的无重叠无冲突的规则集,进行大幅度压缩处理,得出最终的精简规则集.实验结果表明:所提算法能够在几乎不降低系统整体性能的前提下,将规则集极大地约简和压缩,从而产生足够小的规则集,使LCSs的知识表示的冗余度减少,凸显了规则集的易解释、易操作等特性;提高了LCSs在多步学习问题中的应用效果,拓展了其应用范围.