第3章人工神经元网络控制论网络模型xm.ppt

与二值型的Hopfield网络模型具有相同的拓扑结构 神经元的状态oj满足 ： N为网络中神经元的个数； oj 为神经元j的状态； cj 为常数且大于0； Rj 为正数； xj 为外部输入； yi 为神经元i的输出，满足 yi=f(oi) 。 f一般为Sigmoid函数 */102 4. 连续型的Hopfield网络 该动态方程描述了神经元i的输出和其内部状态oi之间的关系。 CHNN实质上是连续的非线性动力学系统，由一组非线性微分方程来描述。 当给定初始状态，通过求解非线性微分方程组即可求得网络状态的运动轨迹。 若系统是稳定的，则它最终可收敛到一个稳定状态。 CHNN有如下一些特性： (1)系统在运行过程中，其能量函数将会逐渐减小到某一极小状态。 (2)系统的极小状态一般不止一个，存在有限个平衡点 (3)CHNN可以用模拟电路实现。 4. 连续型的Hopfield网络 */102 稳定性 引入一个能量函数E： 定理3-3：若f-1 为单调递增且连续， ,则沿系统轨道有： 且当且仅当 时， 对于非线性系统进行稳定性分析，方法之一就是在系统的平衡点附近对系统进行线性化处理。也可以基于网络的能量函数。下面介绍Hopfield能量函数法。 */102 证明 因为 且当 时， 此定理表明，随着时间的演化，网络的状态总是朝能量减少的方向运动，网络的平衡点就是E的极小点。 关于Hopfield能量函数的几点说明 当对反馈网络应用能量函数后，从任一初始状态开始，因为在每次迭代后都能满足?E≤0，所以网络的能量将会越来越小，最后趋于稳定点?E=0。 Hopfield能量函数的物理意义是：在那些渐进稳定点的吸引域内，离吸引点越远的状态，所具有的能量越大，由于能量函数的单调下降特性，保证状态的运动方向能从远离吸引点处，不断地趋于吸引点，直到达到稳定点。 几点说明： 1 能量函数为反馈网络的重要概念。根据能量函数可以方便的判断系统的稳定性； 2 Hopfield选择的能量函数，只是保证系统稳定和渐进稳定的充分条件，而不是必要条件，其能量函数也不是唯一的。 */102 5. 优化问题的应用：TSP问题 将Hopfield网络应用于求解组合优化问题，就是把目标函数转化为网络的能量函数，把问题的变量对应于网络的状态。这样当网络的能量函数收敛于极小值时，问题的最优解也随之求出。 旅行商最优路径问题(Travelling Salesman Problem, 简称TSP) 5. 优化问题的应用：TSP问题 问题的提法是：设有N个城市， ,记为： ,用dij表示ci和cj之间的距离， dij0,(i,j=1,2,…n) 。 有一旅行商从某一城市出发，访问各城市一次且仅一次后再回到原出发城市。要求找出一条最短的巡回路线。 TSP Probelm n=10，并用字母A、B、C、D、E、F、G、H、I、J分别代表这10个城市。当任选一条路径如G-B-J-A-D-H-C-F-I-E,，则其总路径长度可表示为 第一步就是将问题映射到一个神经网络。假定神经元的输出限制在二值0和1上，则映射问题可以用一个置换矩阵（PM, Permutation Matrix）来进行，换位矩阵可如下图所示。 ? 置换矩阵 */102 对于n个城市的TSP，存在n!个输出状态。然而一个旅行只是描述一条访问城市的路线。对于访问n个城市，这是一个n个城市沿闭合路径排列的问题，它共有n!/n=(n-1)!种方案。显然，TSP的计算时间随城市数目n呈指数增长。 构成最短路径的换位矩阵一定是形成网络能量函数极小点的网络状态。 对于用HNN来求解TSP问题，就是要恰当地构造一个能量函数，使得HNN网络中的n个神经元能够求得问题的解，并使其能量处于最低状态。 能量函数 能量函数 问题的约束条件和最优条件如下： （1)? 一个城市只能被访问一次=换位矩阵每行只有一个“1”。 （2）一次只能访问一个城市=换拉矩阵每列只有一个“1”。 （3）总共有n个城市=换位矩阵元素之和为n。 (