没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
人工智能实验报告
实验三 基于人工神经网络算法解旅行商问题
计算机系 20051302353 蔡佳佳
【实验名称】基于人工神经网络算法解旅行商问题
【实验内容】使用 HOPFILED 网络模型求解对称旅行商问题,以获得旅行商问
题的近似最优解。
【实验原理】
(一)人工神经网络算法的概念和原理
人 工 神 经 网 络 简 称 ” 神 经 网 络 ”,是由大量简单的处理单元 — 神 经 元
(Neuron)相互连接组成的自适应非线性动态系统,用来模拟大脑神经网络的结
构和功能。自上世纪八十年代开始,人工神经网络的研究再次出现热潮,其模
型算法等基本理论已经有了深入的发展,并作为新一代神经计算模型广泛应用
于各前沿科学领域。人工神经网络通过有效学习,可以完成其它方法无法完成
的 特 定 任 务 , 且 具 有 自 组 织 、 自 适 应 性 以 及 较 强 的 鲁 棒 性 。
人工神经网络总结人脑中神经元的一些基本特征,通过数学的描述和结构
方法模拟消息传递、处理、学习的过程。神经网络模型有许多种,其中上世纪
八 十 年 代 提 出 的 HOPFIELD 模 型 影 响 比 较 深 远 。
HOPFIELD 模型属于反馈型神经网络,连续的 HOPFIELD 神经网络可以用
动力学方程描述,且具有性质:1 神经元是一个输入输出变换器,其传输函数
有 sigmoid 函数特性;2 具有代表产生动作电位的神经元和代表按渐近方式工
作的神经元的能力;3 细胞膜具有时空整合作用;4 神经元之间存在着兴奋型
和抑制型连接。HNN 的能量函数是一个随时间增长而递减的函数,网络的平稳
点就是 E(t)的极小值点。该网络大但具有良好的收敛性,即网络可以从任意
非平衡轨迹出发,最后收敛于某个平衡状态;而且有有限个平衡点,而且如果
这些平衡点是稳定的,那么网络一定是渐近稳定的;此外,渐近网络平衡点是
网络能量函数极小点,网络信息存储在神经元之间连接权中,网络以大规模非
线性连续时间并行方式处理信息,其计算时间就是系统趋于平衡点的时间。
Hopeld 网络是单层对称全反馈网络,根据其激活函数的选取不同,可分
为离散型的 Hopeld 网络(Discrete Hopeld Neural Network,简称
DHNN)和连续型的 Hopeld 网络(Continuous Hopeld Neural Network,
人工智能实验报告
简称 CHNN)。离散 Hopeld 网络的激活函数为二值型的,其输入、输出为
{0,1}的反馈网络,主要用于联想记忆。 连续
Hopeld 网络的激活函数的输入与输出之间的关系为连
续可微的单调上升函数,主要用于优化计算。Hopeld
网络是利用稳定吸引子来对信息进行储存的,利用从初
始状态 到稳定
吸引子 的运行
过程来 实现对
信息的联想存取的。HOPFIELD 模型中每个神经元是用运放电路实现的。由推
导出:
f()函数通常采用单调递增的 S 型函数
(二)TSP 问题及其目前发展情况
TSP 问题,即旅行商问题( Traveling Salesman Problem ),其定义
如下:已知在一幅地图上存在着 k 个城市 N
1
,.N
2
,N
3
,……N
k
,其中任意两
个城市之间可能存在也可能不存在直接路径,若存在,则旅行商在该路径上的
花费已知。旅行商从某一个城市出发,希望找到一条可以经过所有城市(每个
城市只经过一次)并可以回到起点的路径来推销自己的商品,并以使行程途中
总花费最少为目标。
而 TSP 问题又分为对称 TSP 问题和非对称 TSP 问题。若 Ni 城和 Nj 城之间
存在着不经过其他城市的路径(0≦i,j≦k),而旅行商在该路径上的花费与旅行
起点、终点的选择无关时,这种 TSP 问题称为对称 TSP 问题;反之,若该花费
与起点、终点的选择有关,即从 N
i
到 N
j
与从 N
j
到 N
i
的花费不同,则称为非对
称 TSP 问题。本实验的研究对象是对称 TSP 问题,非对称 TSP 问题的解决与
对称 TSP 问题的解决原理上是一样的,不过在计算量和存储空间的会比前者占
用更多一些。
下面从图论的角度来理解对称 TSP 问题:
假设有一个图 G=(V,E),其中 V 是顶点集,E 是边集,设 d=(d
ij
)是由
人工智能实验报告
顶点 i 和顶点 j 之间的距离 d
ij
所组成的距离矩阵,旅行商问题就是求出一条通
过所有顶点且每个顶点只通过一次的具有最短距离的回路。其中对称 TSP 问题
中总有 d
ij
=d
ji
(任意 i,j=1,2,3,…,n)成立。而非对称 TSP 问题中 d
ij
≠d
ji
(任
意 i,j=1,2,3,…,n)。
若对于城市 V={v
1
,v
2
,v
3
,…,v
n
}的一个访问顺序为 T=(t
1
,t
2
,t
3
,…,t
i,
…,t
n
),其中
t
i
∈V(i=1,2,3,…,n),且 记 t
n+1
= t
1
,则旅行商问题 的数学模型为: min L
=σd(t(i),t(i+1))(i=1,…,n)。旅行商问题是一个典型的组合优化问题,并且
是一个 NP 困难问题,其可能的路径数目与城市数目 n 是成指数型增长的,所
以一般很难精确地求出其最优解。
TSP 问题从被提出至今,已经有许许多多人用种种方法对其求解,以下是
目前常见的几种求解方法:
1 启发式算法-环路构造算法和环路改进算法:前者提出了在环路构造中
成批加入顶点,同时在构造过程对环路进行局部优化的思想。后者,在分析局
部最优解与全局最优解之间关系的基础上,提出了另一个采用局部最优解的交
集作为初始环路的新算法。
2 分支定界法(branch & bound)和爬山法(hill climbing):虽然不能保证
在合理的时间内求得最优解,但仍然坚持使用之,并花大量的时间去求解。
3 将 TSP 转化成非线性规划(nonlinearpro gramming)问题:抛开问题
的具体困难,转而寻求该问题的一种特殊结构或者变形,使之符合已被充分定
义、且其解法己被人们掌握的问题类型。
4 遗传算法:混合遗传算法、间歇突变法。前者对所求的问题的实际综合
运用各种遗传交叉变异方法,互相组合优化来求解;后者在染色体大部分时间
进行交叉遗传的同时,间歇地进行变异操作来增加群体的多样性。
5 近似算法:在这里算法的时间性能和解的质量得到了折衷,并返回一个
“足够”接近最优解的近似最优解。在使用此类算法时,为评估算法的性能和比
较不同算法之间的优劣的方便,必须重新制定一些标准,这些标准应该包括算
法所需时间以及所得解与最优解的接近程度。
【实验平台】实验平台为 WINDOWS2000,VC++6.0,P4 1.8G,512M 内
存
人工智能实验报告
【程序设计】
(一) HOPFIELD 模型中 TSP 问题的描述
TSP 问题的解是 n 个城市的有序排列,为了用神经网络求解这个问题,必
须有一个表示问题的方法,使得神经远的输出状态可以编码为 n 个城市的有序
排列。即 n 个城市在排列中的工资位置由 n 个神经元的输出状态确定。实际上
可以用换位矩阵 PM 来表示一个条访问路径。在换位矩阵中每一行唯一地确定
一个城市的位置设 n 个城市 A,B,C……两两城市间距离分别为 Dij,从任一
城市出发,访问每个城市一次并返回起点。假如有 4 个城市 A,B,C,D,顺
序为 D→B→A→C。那么路线排列应该是 = + + + 。TSP 问
题的解是 n 个城市的有序排列,可以用换位矩阵来表示一条访问路径。矩阵每
行决定一个城市的位置,如上面的路径可以表示为
对于 n 个城市要用由 个神经元构成的 n*n 阵来表示旅行路线。在该换
位矩阵中,每一行与每一列都只能有一个 1,其余都是 0。列值表示对某城市
访问的顺序,可以唯一确定一条访问路线。另外该矩阵中所有 1 加起来正好是
n。由上面对 HOPFIELD 网络的分析,该网络能量的极小值应该对应一个最短
路径。对于用 HNN 解决 TSP 问题,就是要恰当的构造一个能量函数,使得
HNN 网络中 n 个神经元恰好得到问题一个解,且能量最低。
(二)能量函数
采用 Lagrange 乘子法,可以将每行每列有且只有一个 1 的约束问题变成
无约束的优化问题,再乘以适当的加权系数后演变为一个多目标优化问题,即
可得出 TSP 的油画目标函数。
考虑 Lyapunov 函数作为能量函数中的优化目标函数,
剩余16页未读,继续阅读
长线策略家
- 粉丝: 397
- 资源: 8
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
- 1
- 2
- 3
- 4
前往页