پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,759 |
| تعداد مشاهده مقاله | 115,137,453 |
| تعداد دریافت فایل اصل مقاله | 89,900,617 |
یک شبکه عصبی جدید با ساختاری سازنده ترکیبی برای حل مساله های فروشنده دوره گرد و کوتاهترین مسیر با تعداد شهر مشخص | ||
| نشریه دانشکده فنی | ||
| مقاله 11، دوره 39، شماره 4 - شماره پیاپی 407، آبان 1384 اصل مقاله (999.11 K) | ||
| نویسندگان | ||
| مهدی سعادتمند طرزجان؛ محمد رضا اکبر زاده توتونچی؛ مرتضی خادمی* | ||
| چکیده | ||
| در این مقاله یک شبکه عصبی سازنده جدید برای حل مساله فروشنده دوره گرد TSP ارائه شده است ساختار فیدبکی رقابتی این شبکه از مفاهیم شبکه های عصبی هایفیلد و کوهونن الهام گرفته شده است شبکه کوهونن با شیوه یادگیری رقابتی اش پاسخ های قابل قبولی به TSP ارائه می دهد اما سرعت همگرایی آن بسیار کم است در مقابل شبکه عصبی هایفیلد با ساختار فیدبکی خود دارای سرعت همگرایی مناسبی است اما پاسخ های آن از دقت کمی برخوردار است در شبکه عصبی پیشنهادی برای دستیابی به مزایای شبکه های هایفیلد و کوهونن یعنی سرعت همگرایی مناسب و دقت قابل قبول شیوه یادگیری رقابتی کوهونن و ساختار فید بکی هایفیلد ترکیب شده اند نتایج تجربی نشان می دهد که شبکه پیشنهادی قادر است ظرف مدت کوتاهی پاسخ هایی مناسب به TSP ارائه دهد بطوری که بر اساس شبیه سازی های انجام شده سرعت همگرایی شبکه تقریبا 20 برابر سرعت همگرایی شبکه کوهونن و تفاوت متوسط طول مسیر آن برای 29 مساله استاندارد از کتابخانه TSPLIB نسبت به پاسخ های بهینه ای که در همین کتابخانه ارائه شده 3/81 است همچنین شبکه پیشنهادی در مقیاسه با روشهای محک متداول شامل آبکاری شبیه سازی شده و نگاشت خود سازنده Budinich's SOM‘ عملکرد قابل قبولی از خود نشان داده است. بعلاوه‘ شبکه پیشنهادی بسیار انعطاف پذیر می باشد. تا آنجا که می توان با کمی تنظیم ساختار‘ از آن برای حل سایر مسائل بهینه سازی استفاده نمود. به عنوان مثال‘ در این مقاله با توسعه ساختار شبکه پیشنهادی‘ از آن برای حل مسأله ‹‹کوتاهترین مسیر با تعداد شهر مشخص›› نیز استفاده شده است. | ||
| کلیدواژه‌ها | ||
| شبکه عصبی هایفیلد؛ مساله فروشنده دوره گرد TSP؛ مساله کوتاهترین مسیر با تعداد شهر مشخص (SPSN)؛ نگاشت خودساز مانده کوهونن | ||
| عنوان مقاله [English] | ||
| - | ||
| چکیده [English] | ||
| In this paper a novel constructive neural network is introduced for solving the classic traveling salesman problem (CNN-TSP). The proposed neural network is inspired by the idea of the Kohonen SOFM and the Hopfield NN. The Kohonen SOFM introduces suitable TSP solutions for its competitive training algorithm though it slowly converges. Contrarily, the Hopfield NN quickly converges for its recursive structure while its solutions are poor. The proposed CNN combines the recursive structure (inspired from the Hopfield NN) with the competitive training algorithm (inspired from the Kohonen SOFM) to give both suitable performance and quickly convergence. The experimental results show that the CNN convergence speed is faster than the Kohonen SOFM by 20 times while its performance (with respect to the best-to-date solutions) is better than Kohonen by 3.81% for 29 benchmark TSP problems from TSPLIB. Also, the proposed NN appears better performance than other conventional approaches such as simulated annealing and Budinich’s SOM. CNN can be used to solve other optimization NP-complete problems for its flexibility; i.e. in this paper, it is used to solve shortest path problem with specified city number (SPSN) as well as TSP | ||
|
آمار تعداد مشاهده مقاله: 2,415 تعداد دریافت فایل اصل مقاله: 1,614 |
||