隨機(jī)神經(jīng)網(wǎng)絡(luò)的研究及應(yīng)用.pdf

1、隨機(jī)神經(jīng)網(wǎng)絡(luò)(Random Neural Network,簡(jiǎn)稱RNN)是由美國(guó)佛羅里達(dá)大學(xué)(UCF)教授Erol Gelenbe于1989年提出的一種神經(jīng)網(wǎng)絡(luò),模仿實(shí)際生物細(xì)胞根據(jù)自身存在電勢(shì)發(fā)射信號(hào)的生理行為,第一次使用獨(dú)立的數(shù)學(xué)模型描述了生物神經(jīng)網(wǎng)絡(luò)接收信號(hào)流激活而傳導(dǎo)刺激的生理機(jī)制.它的網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)算法、狀念更新規(guī)則以及應(yīng)用等方面都因此具有自身的特點(diǎn).作為仿生神經(jīng)元數(shù)學(xué)模型,隨機(jī)神經(jīng)網(wǎng)絡(luò)在聯(lián)想記憶、圖像處理、組合優(yōu)化問(wèn)題上都顯示

2、出較強(qiáng)的優(yōu)勢(shì).該文在闡述隨機(jī)神經(jīng)網(wǎng)絡(luò)發(fā)展現(xiàn)狀、網(wǎng)絡(luò)特性以及廣泛應(yīng)用的同時(shí),詳細(xì)討論了動(dòng)態(tài)隨機(jī)神經(jīng)網(wǎng)絡(luò)(DRNN)求解典型NP優(yōu)化問(wèn)題TSP的算法,特別地提出了一種有效改進(jìn)算法,使得參數(shù)在簡(jiǎn)單選取的情況下保證能量函數(shù)的下降,在組合優(yōu)化問(wèn)題上具有普遍意義,并且在10城市TSP對(duì)改進(jìn)算法進(jìn)行驗(yàn)證,指出RNN是解決TSP問(wèn)題的有效途徑.基于改進(jìn)算法,該文將RNN分別與Hopfield網(wǎng)絡(luò)、模擬退火算法和Boltzmann機(jī)在組合優(yōu)化問(wèn)題上的應(yīng)用

3、進(jìn)行了分析對(duì)比.首先在理論上對(duì)DRNN和連續(xù)的Hopfiled網(wǎng)絡(luò)(CHNN)進(jìn)行了對(duì)比研究.兩種網(wǎng)絡(luò)均以能量函數(shù)表達(dá)TSP的最優(yōu)路徑,通過(guò)訓(xùn)練反饋網(wǎng)絡(luò)求得路徑解:但是激活函數(shù)、收斂條件的不同使得DRNN 網(wǎng)絡(luò)能夠接受能量函數(shù)的小波動(dòng),從而跳出局部最小值達(dá)到全局最優(yōu).Boltzman機(jī)是一種隨機(jī)型網(wǎng)絡(luò),是模擬退火算法在神經(jīng)網(wǎng)絡(luò)中的體現(xiàn),但是它解決優(yōu)化問(wèn)題的算法和Hopfield以及DRNN的機(jī)制相差很多.與Hopfield相比,Bolt

4、zmann網(wǎng)絡(luò)和DRNN都允許能量函數(shù)的波動(dòng),但是Boltzmann網(wǎng)絡(luò)參數(shù)設(shè)置復(fù)雜,路徑狀態(tài)更新隨城市數(shù)目的增多顯示較大的隨機(jī)性,而DRNN網(wǎng)絡(luò)訓(xùn)練求解時(shí)間穩(wěn)定,對(duì)參數(shù)變化不敏感,參數(shù)設(shè)置簡(jiǎn)單.最后,通過(guò)仿真實(shí)驗(yàn)對(duì)隨機(jī)坐標(biāo)十城市、二十城市使用不同網(wǎng)絡(luò)對(duì)比路徑尋優(yōu)能力,進(jìn)一步驗(yàn)證理論分析的結(jié)論.揭示RNN網(wǎng)絡(luò)、CHNN網(wǎng)絡(luò)和Boltzmann網(wǎng)絡(luò)在求解TSP時(shí)各自的優(yōu)缺點(diǎn).此外,該文基于改進(jìn)算法,使用分區(qū)的方案解決了中國(guó)31城市的旅行商