INVESTIGAÇÕES SOBRE A TAREFA DA CLASSIFICAÇÃO DA DENSIDADE EM AUTÔMATOS CELULARES BIDIMENSIONAIS

Transcrição

1 PIBIC-UFU, CNPq & FAPEMIG Universidade Federal de Uberlândia Pró-Reitoria de Pesquisa e Pós-Graduação DIRETORIA DE PESQUISA INVESTIGAÇÕES SOBRE A TAREFA DA CLASSIFICAÇÃO DA DENSIDADE EM AUTÔMATOS CELULARES BIDIMENSIONAIS Enrique Fynn 1 Laboratório de inteligência artificial, Universidade federal de Uberlândia, Uberlândia, Brasil enrique@comp.ufu.br Luiz Gustavo A. Martins 2 gustavo@facom.ufu.br Gina Maira B. de Oliveira 2 gina@facom.ufu.br Resumo: Os Autômatos Celulares (ACs) são sistemas discretos que se tornaram ferramentas importantes no estudo de Sistemas Complexos, caracterizado por uma regra de transição de estados, que determina qual será o próximo estado do reticulado do AC. A exemplo de outros sistemas desta classe, os ACs exibem um comportamento determinístico, dinâmico complexo e imprevisível. Um aspecto bastante estudado dos Autômatos Celulares diz respeito a como eles realizam computações. Os ACs computam através de processamentos locais e intrinsecamente paralelos que ao final exibem um comportamento global. Mesmo utilizando-se técnicas evolutivas, o processo de encontrar regras de transição de ACs com habilidade computacional não é trivial. A busca evolutiva é realizada geralmente em espaços de regras de alta cardinalidade. Este fator torna esta busca computacionalmente complexa e, muitas vezes, improdutiva. Nesse trabalho a tarefa conhecida como Tarefa da Classificação da Densidade (TCD) foi investigada, com ênfase em sua versão bidimensional. Diferentes regras de ACs foram analisadas considerando-se as vizinhanças de von Neumann e de Moore. Também analisamos as regras em diferentes tamanhos de reticulados. Vários experimentos foram realizados nesses cenários. Resultados interessantes foram observados quando se analisava a mesma regra resolver tamanhos de reticulados subordinados à paridade do mesmo. Palavras-chave: Autômatos celulares, Computação evolutiva, Tarefa da Classificação da Densidade. 1. INTRODUÇÃO Autômatos Celulares (ACs) são estruturas computacionais de implementação extremamente simples, que nos permitem a manipulação direta de seus parâmetros para o estudo de sua dinâmica. Um AC é definido por seu espaço celular e por sua regra de transição. O espaço celular é um reticulado de N células idênticas dispostas em um arranjo d-dimensional, cada uma com um padrão idêntico de conexões locais para outras células, e com condições de contorno. A regra de transição fornece o próximo estado para cada célula, como uma função da configuração da sua vizinhança atual. A cada passo de tempo, todas as células do reticulado atualizam seus estados de acordo com esta regra. 1 Acadêmico do Curso de Ciência da Computação 2 Co-orientador e Orientadora do Curso de Ciência da Computação

2 A habilidade do ACs executarem tarefas computacionais complexas, mesmo sendo baseados em iterações simples e locais, tem atraído o interesse dos pesquisadores. O entendimento desse comportamento pode auxiliar os pesquisadores na elaboração de novos paradigmas computacionais, com elementos massivamente paralelos da nanotecnologia. Uma das abordagens mais bem sucedidas nesse tipo de estudo é o uso de algoritmos genéticos (AGs) para encontrar ACs capazes de executar uma tarefa computacional específica (Das et al, 1995; Oliveira et al, 2000; Mitchell et al, 1996). Nesse trabalho investigamos a tarefa da classificação da densidade amplamente investigada no espaço unidimensional, no contexto dos ACs bidimensionais. 2. AUTÔMATOS CELULARES Existem basicamente dois tipos de vizinhanças em ACs bidimensionais. São elas: Vizinhança de Moore e de von Neumann. Na Vizinhança de Moore são consideradas todas as células ao redor da célula central. A vizinhança é formada por um total de nove células como mostrado na Figura 1. Na Vizinhança de von Neumann são consideradas as células imediatamente associadas à célula central, como na vizinhança de Moore sem as células diagonais, formada então por cinco células, como mostra a Figura 2. As regras apresentadas seguem a organização lexicográfica crescente das vizinhanças, ordenadas de até , passando pelo , , etc. Figura 1: Vizinhança de Von Neumman Figura 2: Vizinhança de Moore 3. TAREFAS COMPUTACIONAIS Várias investigações têm sido feitas sobre o poder computacional dos ACs com esforços concentrados no estudo de ACs unidimensionais capazes de realizarem tarefas computacionais (Oliveira, 1999). A tarefa mais estudada é a da classificação da densidade (DCT) (Oliveira et al, 2000). Nessa tarefa o objetivo é encontrar um autômato celular binário que possa classificar a densidade de 1s na configuração inicial no reticulado. Por exemplo, se o reticulado inicial tiver mais 1s que 0s, o autômato deve convergir para uma configuração nula de 1s, depois de certo período de tempo. Caso contrário, deve convergir para uma configuração nula de 0s. Figura 3: Tarefa de classificação de densidade usando regra 1D de raio 2: B7. 2

3 Figura 4: Tarefa de classificação de densidade usando regra 1D de raio 3: F777FF77. Figura 5: Evolução de uma regra 2D com vizinhança de von Neumann resolvendo a tarefa de classificação de densidade, regra: FF. Figura 6: Evolução de uma regra 2D com vizinhança de Moore resolvendo a tarefa de classificação de densidade, regra: B D2B D703957FF70B1B F475F077F7F77FF57475D1F7 F6765BF3F3FBFFFFF7F77. A Figura 3 e a Figura 4 apresentam dois diagramas unidimensionais de ACs resolvendo a TCD usando regras de raio 2 e 3, respectivamente. A regra usada para gerar o diagrama na Figura 3 (raio 2) tem uma eficiência de 56% nesta tarefa enquanto a usada na Figura 4 tem uma eficiência de 82%. Estas eficiências são medidas usando reticulados unidimensionais de 149 bits. Enquanto a maioria dos estudos publicados sobre a TCD investigaram a versão unidimensional, Morales e colaboradores propuseram o estudo de regras bidimensionais para resolver o problema (Land and Belew, 1995). A Figura 7 e a Figura 6 mostram duas seqüências de reticulados bidimensionais formados pela aplicação bem sucedida na TCD. A Figura 8 começou 3

4 com um reticulado inicial com mais 1s que 0s e a Figura 6 com mais 0s. A regra usada pela Figura 9 usa vizinhança de von Neumann e tem uma eficiência de 67% enquanto a regra usada na Figura 6 usa vizinhança de Moore e tem eficiência de aproximadamente 83%. Estas eficiências foram medidas usando reticulados bidimensionais de 21x21 bits. A TCD é uma tarefa não trivial para ACs de raio pequeno em qualquer dimensão, pois eles se baseiam apenas em iterações locais. Fazer esta tarefa satisfatoriamente para um tamanho de reticulado fixo requer uma computação mais poderosa que aquela que pode ser realizada por uma única célula ou qualquer combinação linear de células. Como os 1s podem ser distribuídos pelo reticulado, o AC tem de transferir a informação sobre grandes distâncias. Um tipo de coordenação global é requerida para comunicar células que são separadas por grandes distâncias e que não podem se comunicar diretamente. Entretanto, foi provado que não existe um AC de raio finito que resolva esta tarefa perfeitamente sobre todos os tamanhos de reticulados (Morales et al, 2001). A configuração mais estudada para a TCD é definida em um reticulado de 1D com 149 células e regras de ACs de raio 3; a melhor performance para a TCD nesta configuração é de aproximadamente 89% (Wolz and de Oliveira, 2008). 4. COMPUTAÇÃO EVOLUTIVA A Computação Evolutiva (CE) é um conjunto de técnicas de otimização estocástica inspiradas no processo evolutivo biológico, entre as quais os Algoritmos Genéticos (AGs) constituem a técnica mais conhecida (Goldberg, 1985). Nestas técnicas, parte-se de uma população inicial de soluções candidatas geradas aleatoriamente que são avaliadas de forma a se medir as quão próximas elas estão da solução do problema. Baseado nesta avaliação, um processo de seleção separa um subconjunto desta população para servir de base para a geração de uma nova população de soluções candidatas. Esta nova população é obtida a partir da aplicação de operadores genéticos sobre o subconjunto selecionado. É esperado que a nova população seja formada por um conjunto de soluções melhores do que as que serviram de base para a sua formação. Assim, o processo iterage. Ao longo das iterações, a população evolui até que se chegue a soluções satisfatórias. Essa área de pesquisa tem grande interesse econômico e social, se apresentando de inúmeras formas, da área de engenharia à área médica (Mitchell et al, 1993; Michell, 1996; Michell et al 1996; Michell et al 1997). Algoritmos Genéticos (AGs) são técnicas de busca não determinística que fazem parte da área de Computação Evolutiva. A elaboração do ambiente evolutivo utilizado em nossos experimentos foi baseada no AG descrito em (Das et al, 1995) e na evolução guiada por parâmetros descrita em (Oliveira et al, 2001). A população do AG é formada por regras de ACs bidimensionais que são representadas diretamente por cadeias binárias: 32 bits se a vizinhança utilizada for a de von Neumann e 512 bits se for a de Moore. A aptidão de cada indivíduo é dada pela habilidade deste em executar a tarefa especificada e pela adequação de seus parâmetros, segundo faixas desejadas. Na especificação do modelo, foi empregada a técnica conhecida como elitismo (Das et al, 1995), que mantém as melhores regras de uma geração para a próxima. Os novos indivíduos de cada geração são obtidos através de crossover e mutação. A seleção dos pais para o crossover é feita diretamente da elite, sem considerar a aptidão de cada indivíduo e é utilizado crossover simples (Das et al, 1995), caracterizado por um único ponto de corte. A mutação é aplicada após o crossover, sobre cada novo indivíduo gerado, sorteando-se um novo valor para o bit a sofrer mutação, a uma taxa de 3% por bit. Os reticulados usados são uniformes, e não puramente aleatórios, para que seja mais fácil distinguir as regras e não nos percamos com regras triviais, sendo assim, os reticulados são gerados com sua densidade de 1s entre 0% e 100% aproximadamente. 5. ESTRATÉGIAS UTILIZADAS NA EVOLUÇÃO DAS REGRAS 4

5 Assim como foi feito em trabalhos anteriores, aplicamos algumas técnicas inspiradas no comportamento dos ACs, para contribuir com o método evolutivo. 5.1 Avaliação adaptativa Como a partir de certo ponto as regras evoluídas (indivíduos) no AG começam a resolver com tranqüilidade os reticulados uniformes impostos para estes, devemos então aumentar o grau de dificuldade, fazemos isso usando uma avaliação adaptativa, da seguinte maneira: os reticulados inicialmente são todos uniformes. Sempre que uma regra resolve 88% dos reticulados o número de regras uniformes cai 5% e são substituídos por reticulados aleatórios (distribuição gaussiana). 5.2 Parâmetro Espelho-Negativo Existem equivalências entre regras de ACs em qualquer dimensão, tais que depois de aplicarmos alguns operadores de equivalência obtemos novas regras que resolvem a tarefa com a mesma eficácia da regra original. Uma dessas simetrias é o espelho-negativo. O negativo de uma regra é a alteração de todos os bits da regra pelo seu bit negativo, o espelho é a alteração dos bits de forma que a posição do bit alterado é o inverso dos bits que definem a posição do bit original, ex.: se temos o terceiro bit da regra unidimensional de raio 1: 011, sendo a 3ª posição da regra, o bit a ser comparado é o 110, ou a 6ª posição da regra. O espelho negativo é a junção dos dois parâmetros, no exemplo anterior teríamos de comparar o bit 001 com o 011. Podemos comparar o resultado da regra original pela regra alterada, assim chegamos a uma razão que varia de 0 a 1. Observou-se dentre outras coisas que as melhores regras já publicadas para a TCD tem o valor do parâmetro espelho-negativo próximo de 1. Assim na avaliação das regras, essa informação foi utilizada confirme a abordagem de evolução parametrizada proposta em (Oliveira et al, 2000). 6. TESTES Os experimentos foram feitos usando um ambiente evolutivo com população inicial = 100, número de reticulados = 100, número de gerações = 100, número de passos do AC = 320, 3 mutações em todas as regras, limiar do espelho-negativo = 0.98, limiar da avaliação adaptativa = 88%, peso dos parâmetros na avaliação final: 40%. Também realizamos experimentos em um ambiente robusto onde temos o tamanho da população inicial = 300, número de reticulados = 300 e número de gerações = 300. Duas séries de 100 execuções cada foram realizadas usando a vizinhança de von Neumann em dois tamanhos diferentes: 12x12 e 21x21. A melhor regra obtida em cada tamanho foi testada em 10 5 reticulados aleatórios de diversos tamanhos de reticulado diferentes. Os resultados dessa avaliação são apresentados na É interessante observar também que embora a regra bidimensional com vizinhança de von Neumann possua o mesmo número de células do que uma regra unidimensional no mesmo raio, a regra bidimensional resolve com mais facilidade a TCD enquanto a regra unidimensional de mesmo tamanho (32 bits) tenha eficiência em torno de 50% (Figura 1), não apresentando, portanto qualquer sinal de poder computacional. Tabela 1, onde podemos observar o desempenho na TCD de duas regras que utilizam a vizinhança de von Neumann evoluídos pelo AG mais simples, nos tamanhos de 4x4 a 21x21. Nos reticulados de tamanhos menores 4x4 e 5x5 foram usadas todas as configurações possíveis de reticulados. Nos tamanhos maiores, amostras de 10 5 reticulados aleatórios foram utilizadas. Verificamos que o comportamento da regra varia de acordo com a paridade do tamanho do reticulado para o qual a mesma foi evoluída: a regra evoluída em um ambiente onde os reticulados 5

6 eram de tamanho ímpar (21x21) é mais adequada a resolver reticulados ímpares e seu desempenho cai muito nos reticulados de tamanho par, enquanto a regra que evoluiu em um reticulado de tamanho par (12x12) apresentou menor oscilação embora também favoreça a resolução de reticulados pares. É difícil analisar qual é a melhor regra entre as duas, pois embora a regra evoluída no ambiente ímpar consiga resolver com mais facilidade os reticulados ímpares, ela é péssima para resolver reticulados pares, enquanto a regra evoluída pelo reticulado par resolve a maioria dos reticulados de forma satisfatória, sendo superior nos tamanhos pares. É interessante observar também que embora a regra bidimensional com vizinhança de von Neumann possua o mesmo número de células do que uma regra unidimensional no mesmo raio, a regra bidimensional resolve com mais facilidade a TCD enquanto a regra unidimensional de mesmo tamanho (32 bits) tenha eficiência em torno de 50% (Figura 1), não apresentando, portanto qualquer sinal de poder computacional. Tabela 1: Resultados obtidos usando reticulados 2D e as regras 040F35BF e FF (evoluídos em tamanhos de reticulado 12x12 e 21x21,respectivamente) analisados em diversos tamanhos de reticulados diferentes. Tamanho do Reticulado 040F35 BF (12x12) FF (21x21) 4x4 (completo) 75,921 35,046 5x5 (completo) 71,914 70,695 6x6 72,072 41,865 7x7 69,157 71,752 8x8 69,805 43,908 9x9 67,167 71,456 10x10 67,770 43,490 11x11 65,559 70,904 12x12 65,901 43,872 13x13 64,115 69,940 14x14 64,375 40,537 15x15 63,389 69,065 16x16 64,084 41,526 17x17 62,076 68,856 18x18 62,955 41,097 19x19 61,796 67,825 20x20 62,332 40,841 21x21 60,913 67,014 Esp-neg 0,875 0,625 Posteriormente, uma nova série de experimentos com 100 execuções foi feita utilizando-se o ambiente robusto para evoluir regras de ACs 2D com vizinhança de Moore e reticulado 12x12. A melhor regra desse experimento foi comparada com a melhor regra já publicada (Wolz and de Oliveira, 2008) anteriormente, que foi evoluída em reticulado 21x21. Observamos na tabela o desempenho das duas regras em diferentes tamanhos de reticulado: (12x12) trata-se da melhor regra obtida por nosso AG evoluída em reticulado de tamanho par, usando uma avaliação adaptativa, heurística do espelho-negativo e em um ambiente robusto, onde foi demandado um grande esforço computacional; WO (21x21) trata-se de uma regra evoluída em reticulado ímpar, a melhor regra publicada anteriormente na tarefa de classificação da densidade bidimensional e com código em hexadecimal: C0F00CEBF F0F333FBF (Wolz and de Oliveira, 2008). 6

7 Pode-se notar que assim como a regra usada para resolver a TCD na vizinhança de von Neumann (Figura 10) a regra WO (21x21) descreve um padrão oscilatório entre os vários tamanhos, sendo que seu desempenho é melhor em reticulados ímpares, por outro lado a regra (12x12) oscila pouco entre diversos tamanhos de reticulados, e é superior à regra WO em todos os reticulados pares, do 4x4 até o 21x21. É importante destacar neste experimento principalmente o uso da heurística do espelho-negativo, sendo o recurso que mais ajudou a regra a atingir os melhores resultados. Tabela 2: Eficácias obtidas usando um AC 2D de 512 bits em diferentes tamanhos de reticulados. 8. CONCLUSÕES Tamanho do (12x12) WO (21x21) Reticulado 4x4 (completo) 80,613 44,21% 5x5 (completo) 85,888 88,76% 6x6 87,177 52,04% 7x7 84,863 87,24% 8x8 85,453 56,87% 9x9 83,476 85,93% 10x10 83,849 60,46% 11x11 82,830 84,87% 12x12 82,780 63,95% 13x13 81,969 84,34% 14x14 81,465 66,95% 15x15 80,671 84,27% 16x16 80,458 69,83% 17x17 79,659 83,58% 18x18 79,217 72,03% 19x19 78,409 83,07% 20x20 77,944 73,95% 21x21 76,838 82,23% Esp-neg 0,984 1,000 Neste trabalho apresentamos os principais resultados que obtivemos no estudo dos autômatos celulares bidimensionais aplicados na tarefa de classificação da densidade, analisando-se as vizinhanças bidimensionais de Moore e de von Neumann, de tamanho 512 e 32 bits respectivamente. Na análise das regras vimos que encontramos regras de 32 bits no espaço bidimensional, na vizinhança de von Neumann que resolve a TCD com eficiência razoável, enquanto essa tarefa tem um baixo desempenho quando resolvida em reticulados unidimensionais com regras de 32 bits (raio 2). A análise das regras da TCD tem de levar em conta a paridade e o tamanho dos reticulados, embora a TCD seja mais estudada em reticulados ímpares, espera-se que essa tenha igual funcionamento entre reticulados tanto ímpares quanto pares. O comportamento oscilatório não é desejado e não foi observado anteriormente devido ao fato de estudos anteriores se focaram apenas em reticulados ímpares. Embora a dependência da paridade já tenha sido observada em outra tarefa, o Problema da Paridade (PP) (Wolz and de Oliveira, 2008), ela ainda não havia sido relatada na TCD. É interessante salientar que também observamos essa oscilação aplicando-se regras de 128 bits (raio 3) em diferentes tamanhos de reticulados unidimensionais. Sendo assim é importante descobrir a razão dessa dependência. 7

8 Em experimentos futuros será interessante usar diferentes tamanhos de reticulados no ambiente evolutivo para que a regra encontrada no final não se torne especializada mas sim o mais genérica possível. 9. AGRADECIMENTOS Enrique Fynn agradece à FAPEMIG pelo apoio dado, Gina Maira B. Oliveira agradece ao apoio da FAPEMIG e CNPQ. 10. REFERÊNCIAS BIBLIOGRÁFICAS Das R.; Crutchfield, J. P.; Mitchell, Melanie; Hanson J. E. (1995). Evolving globally synchronized cellular automata. In. L. J. Eshelman (ed.), Proceedings of the Sixth International Conference on Genetic Algorithms: Morgan Kaufmann. de Oliveira, P.P.B., Bortot, Oliveira, G.M.B. The best currently known cellular automata rules for density classification and the evolutionary mechanisms that led to them, Neurocomputing, Amsterdam 70 (2006), Goldberg, D. E. (1985). Optimal Initial Population Size for Binary-Coded Genetic Algorithms. TCGA Report Universidade do Alabama. Goldberg, D. E. (1989). Genetic algorithm in search, optimization and machine learning. Addison- Wesley. Land, M. and Belew, R. No Perfect Two-State Cellular Automata for Density Classification Exists, Physical Review Letters 74(25) (1995), Mitchell, M.; Hraber, P. T.; Crutchfield, J. P. (1993). Evolving cellular automata to perform computations: mechanism and impediments. Physica D, vol. 75, pages Mitchell, M. (1996). Computation cellular automata: a selected review. In: T. Gramss (ed.), Nonstandard Computation: Weinheim. VCH Verlagsgesellschaft. Mitchell, M.; Crutchfield, J. P.; Das. R. (1996). Evolving cellular automata with genetic algorithms: a review of recent of work. In: International Conference on Evolutionary Computation and Its Applications, 1. Moscou. Mitchell, M. (1997). An Introduction to Genetic Algorithms. Mit Press. Massachusetts. Morales, F., Crutchfield, J., Mitchell, M. Evolving two-dimensional cellular automata to perform density classification: a report on work in progress, Parallel Computing 27 (2000), Evolutionary Computation (2001), Oliveira, G. M. B. (1999). Dinâmica e evolução de autômatos celulares unidimensionais. Tese de doutorado apresentada à Divisão de Pós-Graduação do Instituto Tecnológico de Aeronáutica (ITA). São José dos Campos. Oliveira, G. M. B.; de Oliveira, P. P. B.; Omar, N. (2000). Guidelines for Dynamics-Based Parameterization of One-Dimensional Rule Spaces Cellular Automata, Complexity Journal, 6(2), MIT Press,

9 Oliveira, G. M. B.; de Oliveira, P. P. B.; Omar, N. (2000). Evolving Solutions of the Density Classification Task in 1D Cellular Automata, Guided by Parameters that Estimate their Dynamic Behavior. Proceedings of the Artificial Life VII. Oliveira, G. M. B.; de Oliveira, P. P. B.; Omar, N. (2001). Definition and Applications of a Five- Parameter Characterization of One-Dimensional Cellular Automata Rule Space, Artificial Life, MIT Press, Oliveira, G. M. B.; de Oliveira, P. P. B.; Omar, N. (2001). Improving Genetic Search for One- Dimensional Cellular Automata, Using Heuristics Related to Their Dynamic Behavior Forecast, Proceedings of IEEE Congress on Evolutionary Computation, Seoul. Oliveira, G. M. B.; de Oliveira, P. P. B.; Omar, N. (2001). Searching for One-Dimensional Cellular Automata in the Absence of a priori Information, ECAL2001- Proceedings of 6th European Conference on Artificial Life, Praga, Oliveira, G. M. B.; Bortot, J. C.; de Oliveira, P. P. B. (2002). Multiobjective Evolutionary Search for One-Dimensional Cellular Automata in the Density Classification Task. In: Proceedings of the Artificial Life VIII p Oliveira, G. M. B; Coelho, A. R. ; Monteiro, L. H. A.. Cellular Automata Cryptographic Model based on Bi-directional Toggle Rules. International Journal of Modern Physics C, v. 15, n. 8 (October), p , Oliveira, G. M. B., Siqueira, S. R. C. (2005) Using dynamic behavior prediction to guide an evolutionary search for designing two-dimensional cellular automata In: Advances in Artificial Life 8th European Conference, ECAL 2005, Canterbury, UK, September 5-9, 2005, Proceedings Series: Lecture Notes in Computer Science Subseries: Lecture Notes in Artificial Intelligence, Vol Oliveira, G. M. B., Siqueira, S. R. C. (2006). Parameter Characterization of Two-Dimensional Cellular Automata Rule Space. Physica D, 2006, in press. Wolz, D. and de Oliveira, P.P.B. Very effective evolutionary techniques for searching cellular automata rule spaces, Journal of Cellular Automata 3 (2008), INVESTIGATIONS ABOUT DENSITY CLASSIFICATION TASK IN TWO- DIMENSIONAL CELLULAR AUTOMATA RULE SPACES Enrique Fynn Artificial Intelligence Laboratory, Federal University of Uberlândia, Uberlândia, Brazil. enrique@comp.ufu.br Luiz Gustavo A. Martins gustavo@facom.ufu.br Gina Maira B. de Oliveira gina@facom.ufu.br Abstract: Cellular Automata (CA) are discrete systems that have become important tools in the study of complex systems. They are characterized by a transition state rule, which determines what is the next state of the CA lattice. Like other systems of this class, CA exhibit a deterministic, dynamic, complex and unpredictable behavior. A well-studied aspect of the Cellular Automata is with respect to how they perform computations. CA compute through local and intrinsically 9

10 parallel processes and in the end it exhibits a global complex behavior. Even using evolutionary techniques, the process of searching CA rules with computational ability is not trivial. The evolutionary search is usually carried out in rule spaces with high cardinality. This factor makes the search computationally complex and often unproductive. In this work the task known as Density Classification Task (DCT) was investigated, with emphasis on its two-dimensional version. Different CA rules were analyzed considering the neighborhoods of von Neumann and Moore. We have also analyzed the rules in different lattice sizes. Several experiments were made in those scenarios. Interesting results were observed when the same rule was analyzed to solve lattices with different parity. Keywords: Cellular Automata, Evolutionary Algorithms, Density Classification Task. 10