利用Hopfield网络进行优化优化是利用成本函数和能量函数的相似性,使设计、环境、资源和系统等尽可能高效的过程。其中一种类型的神经网络被称为Hopfield网络,它由包含至少一个完全连接的循环神经网络的单层组成。它可以用于优化。 使用Hopfield网络优化时要记住的事情
旅行推销员问题找到销售人员采取的最有效的路线是可以通过使用Hopfield神经网络来改进的计算挑战之一。 TSP的基本概念旅行推销员问题TSP是一个经典的优化问题,在这个问题中,销售人员必须在许多相互连接的城市旅行,并保持成本。行进的距离是最小的。例如,销售人员必须经过一组四个城市,a、B、C和D。目标是确定最有效的循环路线,a -B-C-D,以降低成本,其中包括从城市D到下一个城市a的旅行成本。 ![]() 矩阵表示TSP对n个城市的每一次旅行都可以描述为一个矩阵n x n,其中第i行标识每个城市的位置。A、B、C、D四个城市的矩阵M可以表示为: ![]() Hopfield网络解决方案当使用Hopfield网络分析TSP的解决方案时,网络中的每个节点都连接到矩阵的特定元素。 能量函数计算为了得到最优结果的最优解,能量函数应尽可能低。基于上述约束条件,我们可以用以下公式确定能量的函数:—— Constraint-I 在此基础上,我们计算能量函数的第一个约束条件是,矩阵M的每一行中必须有一个分量至少为1,并且每一行中的所有其他元素不得大于0,因为每个城市可能只出现在TSP旅程中的一个位置。这个约束可以用数学表示为: ![]() 基于上述约束,现在,我们将最小化能量函数,它将包含正比于: ![]() Constraint-II 我们都知道,在TSP中,一个城市可以在行程中的任何位置找到。因此,在M的每一列中,每个元素都必须等于1,而其他元素必须等于0。这个限制在数学上可以表示为: ![]() 基于上述约束,现在,我们将最小化能量函数,它将包含正比于: ![]() 成本函数计算假设用C表示的方阵(n x n)是TSP在n个城市中的成本矩阵,其中n大于。下面是计算成本函数时需要考虑的一些参数
![]() 我们知道,在矩阵中,可以确定每个节点的输出值为1或0,因此对于每个城市对A和B,我们可以为幂函数包含以下单词。 ![]() 根据上面的代价函数,加上能量相关计算函数的约束端值,E可以描述为: ![]() 这里,γ1和γ2是两个称重常数。
下一个话题
机器学习中的数据泄漏
|