Mining stochastic cellular automata to solve density classification task in two dimensions

• Nestor Diaz ^[1] ; Irene Tischer ^[2]
  1. [1] Universidad del Cauca

     Universidad del Cauca

     Colombia

     
  2. [2] Universidad del Valle (Colombia)

     Universidad del Valle (Colombia)

     Colombia

     
• Localización: DYNA: revista de la Facultad de Minas. Universidad Nacional de Colombia. Sede Medellín, ISSN 0012-7353, Vol. 87, Nº. 215, 2020, págs. 39-46
• Idioma: inglés
• Títulos paralelos:
  • Minando autómatas celulares estocásticos para resolver el problema de clasificación de densidad en dos dimensiones
• Enlaces
  • Texto completo (pdf)
• Resumen
  • 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

  • English

    Density Classification Task (DCT) is a well-known problem that researchers have been tackling for more than two decades, 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. The design of our cellular automata was carried out by a parallel genetic algorithm, specifically instantiated for this task. Our approach identifies both the neighborhood and its stochastic rule using a dataset of initial configurations that covers in a predefined and balanced 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. The best-known cellular automaton achieves 0.832 in the same datasets. Tests are carried out in datasets of diverse lattice sizes and sampling conditions; we focused the analysis on the performance of our model around critical densities. 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.