اتوماسیون یادگیری سلولی نامنظم پویا

اتوماتای یادگیری سلولی نامنظم (‏ICLA)‏، که اخیرا معرفی شده‌است، یک اتوماتای یادگیری سلولی با ساختار نامنظم است. ICLA برای مدلسازی مسایلی که در طبیعت منظم نیستند، مانند مسایل در حوزه شبکه‌های حسگر، وب کاوی و محاسبات گرید مناسب است. در برخی مناطق مانند شبکه‌های سیار ad hoc و حسگر، که در آن ساختار محیط در طول زمان تغییر می‌کند، یک ICLA با یک ساختار پویا مورد نیاز است. به همین دلیل، در این مقاله، ICLA را به گونه‌ای توسعه داده‌ایم که ساختار مدل توسعه‌یافته، که ICLA پویا نامیده می‌شود، بتواند در طول زمان تغییر کند. برای مدل جدید معرفی‌شده، ما مفهوم مصلحت را مطرح کردیم و سپس، شرایط کافی را مورد بحث قرار دادیم که تحت آن یک دیکاکولا مناسب می‌شود.

Irregular Cellular learning automaton ( ICLA ), which is recently introduced, is a cellular learning automaton ( CLA ) with irregular structure. ICLA is suitable for modeling problems which are not regular in nature, such as problems in the area of sensor networks, web mining, and grid computing. In some areas such as mobile ad hoc and sensor networks, where the structure of the environment changes over the time, an ICLA with a dynamic structure is required. For this reason, in this paper, we have extended ICLA in such a way that the structure of the extended model, called dynamic ICLA ( DICLA ), can change over time. For the newly introduced model, we have proposed the concept of expediency and then, discussed sufficient conditions under which a DICLA becomes expedient.