人工神经网络6HOPFIELD神经网络.pptVIP

连续Hopfield 网络能量函数 CHNN的能量函数不是物理意义上的能量函数，而是在表达形式上与物理意义的能量函数一致，表征网络状态的变化趋势。 定理：若作用函数 是单调递增且连续的，则能量函数E是单调递减 且有界的。 连续Hopfield 网络能量函数 CHNN用非线性微分方程描述，网络的稳定性通过构造其能量函数（又称李雅谱诺夫函数），并用李雅谱诺夫第二稳定性定理进行判断。 (1)李雅谱诺夫函数并不唯一； (2)若找不到网络的李雅谱诺夫函数，不能证明网络不稳定； (3)目前没有统一的找李雅谱诺夫函数的方法 (4)用能量函数的方法研究网络的稳定性，在数学上欠严谨。 连续Hopfield 网络能量函数 如果把一个最优化问题的目标函数转换成网络的能量函数，把问题的变量对应于网络的状态，那么Hopfield神经网络就能够用于解决优化组合问题。 应用Hopfield神经网络来解决优化计算问题的一般步骤为： (1) 分析问题：网络输出与问题的解相对应； (2) 构造网络能量函数：使其最小值对应问题最佳解 (3) 设计网络结构：由能量函数和网络稳定条件设计网络参数，得到动力学方程； (4) 硬件实现或软件模拟。 连续Hopfield 网络应用 Traveling Salesman Problem 一个旅行推销员要到N个城市做生意，试找出一条从某城市出发，连贯这些城市，又回到原出发城市的最短路径（每个城市只能走一次） A B C D E F A B C D E F A B C D E F Traveling Salesman Problem 不考虑方向性和周期性，在给定n的条件下，可能存在的闭合路径数目为1/2(n-1)!。随着n的增大，计算量急剧增大，会发生所谓的“组合爆炸”问题。 连续Hopfield 网络应用 城市数 路径数 城市数 路径数 3 1 12 1.9958×107 4 3 13 2.3950×108 5 12 14 3.1135×109 6 60 15 4.3589×1010 7 360 16 6.5384×1011 8 2520 17 1.0461×1013 9 20160 18 1.7784×1014 10 181440 19 3.2012×1015 11 1814400 20 6.0823×1016 连续Hopfield 网络应用 vxi v：状态变量 x：城市 i：拜访的顺序 次序 城市 1 2 3 4 A 0 1 0 0 B 1 0 0 0 C 0 0 0 1 D 0 0 1 0 表示城市x是推销员所到的第 i 站 表示城市x不是推销员所到的第 i 站 状态矩阵 连续Hopfield 网络应用 状态要求 设计限制 每个城市只去一次 每次只去一个城市 N个城市都要到 A B C D E F 起始点 终点 ※找出一条从某城市出发，连贯 这些城市，又回到原出发点的 最短路径 连续Hopfield 网络应用 状态表现 对于n个城市的旅行推销员的一个解答可用n2个神经元的状态变量来代表状态变量的排列矩阵元素 ※假设有四个城市 (其神经元连结 方式，举右上角 神经元为例) 0 1 0 0 1 0 0 0 0 0 0 1 0 0 1 0 连续Hopfield 网络应用 状态函数(限制函数) (1)每个城市只能经过一次，因此不会有第 i 站等于第 j 站的情形 (2)每个城市只能经过一次，因此第 i 站的城市不可能会重复 (3)每个城市都要到过一次 (4)城市最短总距离设计 连续Hopfield 网络应用 综合上述四式，设计以下能量函数 连续Hopfield 网络应用 每个状态的微分方程为 输入输出函数为 连续Hopfield 网络应用 网络初始连接权值为 连续Hopfield 网络应用 权重值矩阵 连续Hopfield 网络应用 连续Hopfield 网络应用 连续Hopfield 网络应用 （1）网络参数的选择 网络参数A，B，C，D，u0等对网络的变化相当敏感，原则上不能随意改变， Hopfield和Tank给出的参数值为：A＝B＝D＝500，C＝200，u0＝0.02。 这种选择是考虑了以下两点后的折中： ①D值较小时，容易获得合法路径；D值较大时，可增加路径长度的权重，从而使合法路径趋于最优； ②u0是放大器的增益，太小时阈值函数接近于符号函数，不能获得较好的解；太大时，S型阈值函数过于平坦，神经元状态不易于收敛到0和1，从而使获得合法路径的概率下降。 连续Hopfield 网络应用 除了以上两点外，考虑网络参数对收敛速度的影响。实际上选择为A＝B＝D＝0.5．C＝0.