HOPFIELD网络解决TSP问题.pptVIP

2006-4-15 蔡佳佳 吴凡 HOPFIELD网络解决TSP问题 蔡佳佳 吴凡 TSP 旅行商问题 (TSP):有 N 个城市及它们的距离 dij .求最短的哈密尔顿回路。 Hopfield 网络 Hopfield Net. vs TSP 利用Hopfield Net.来解未必能得到最优解，但可以得到较优解。 Hopfield Net.解题的六个方面 状态变量◎ 状态要求◎ 状态表现◎ 状态函数◎ 网络架构◎ 网络动态◎ TSP问题建模（状态变量） TSP问题可以描述为：设n个城市A，B，C……两两城市间距离分别为Sij，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B→A→D→C→B。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： TSP问题建模（状态变量） TSP问题建模（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 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。 TSP问题建模（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 (其神经元连接 方式，以右上角 神经元为例) TSP问题建模（状态函数） 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 每个城市只能经过一次，因此第i站的城市不可能重复 每个城市都要到过一次 这实际上就是TSP问题用HOPFIELD网络建模的3个限制。即换位矩阵每行只有一个1，每列只有一个1，整个矩阵有N个1。 TSP问题建模（状态函数） 前面理论已经讲过了HOPFIELD模型要有一个能量函数，它和前馈的误差函数很接近。利用Liyapunov函数来构造这里的能量函数。 这里能量的一个重要部分是和路径有关的信息，那么可以设定一个式子 这个式子要达到一个极小值才可能满足要求。下标要对N取模运算。否则下标就出现无意义值。 TSP问题建模（状态函数） 还要考虑路径的合法性，这样就再加上3个约束条件： 第一个是每行不多于一个1，第2个是每列不多于一个1，第3个是矩阵中1的个数是n个 TSP问题建模（状态函数） 采用Lagrange乘子法，将这个有约束优化问题转化为无约束的优化问题。A，B，C，D都是相应的加权系数。 TSP问题建模（状态函数） 其中前三项是所有TSP问题都必须有的约束，第四项因问题不同而不同。这里给出的第四项只能解决小规模的TSP问题。HOPFIELD给了一组10城市均匀分布的坐标并用这个公式实现。他声称20次模拟实验中有16次收敛到最优解或较优解。不过Wilson用同样的方法，并不能达到这个效果。总体结果很差。Aiyer通过分析网络特征值，从超空间角度解释了HOPFIELD网络求解TSP常陷入无效解的原因，并修改能量公式如后： TSP问题建模（状态函数） 显然这个公式保证网络收敛到有效解是以复杂的能量函数为代价。现在的HOPFIELD网络改进关键都在这个含路径信息的计算块上面。 TSP问题建模（状态函数） 孙守宇，郑君里 ，HOPFIELD网络求解TSP的一种改进算法和理论证明， 电子学报，,1995 ,23 (1) :73～78 该论文提出一种改进的方案，首先，能量函数第3项只在网络输出全为0时才起作用，否则前两项已经保证了第3项成立，因此对前两项做修改： 这样第3项完全可以省去。那么，TSP能量函数可以简化为下页所示： TSP问题建模（状态函数） TSP问题建模（状态函数） 由于行列对称性，B=A。且第四项比Aiyer的简化了很多，式子仍然满足优化目标约束的要求。 这些参数的设置需要大量测试，前人的论文仅供参考。论文上设计的参数变化幅度很大，从不足1到数百甚至上千都有。具体情况需要自己测试来确定。 TSP问题建模（网络架构） 权值矩阵（对应11页的原始能量公式，那个公式隐含的定义了这个矩阵）：当i=j时， 为1，否则为0。右边是外部激励电流 TSP问题建模（网络架构） 同样，改进的那篇论文中的连接权值矩阵也可以写出： 外部激励电流为 TSP问题建模（网络架构） 权值矩阵是个四维矩阵，不易明白，可以把它转化为一个二维矩阵。 TSP问题建模（网络动态） 设定初始状态数后，经由学习过程，进行状态值的改变，直到能量函數趋于最低时，此时状态值即为问题所求得的解答或近似解。 神经元的作用函数一般取双曲正切函数，这里取Sigmoid函数也可以。改变量与神经元