基于Hopfield网络的两层图平面化算法研究-计算机应用技术专业论文.docxVIP

山东大学硕士学位论文摘 山东大学硕士学位论文 摘 要 j“人工神经网络”(ARTIFICIAL NEURAL NETWORK)是一门是近年来 、 再度兴起并得到迅速发展的前沿交叉学科，它是一种在对人脑组织结构和运 行机制的认识理解基础之上模拟其结构和智能行为的工程系统。其中， Hopfield网络是一类应用十分广泛的人工神经网络，尤其在组合优化方面有 着广泛的应用。但是，在实际应用中，这种经典的网络存在着诸多的缺陷， 其中之一就是局部最小值问题。Hopfield网络的基本思想是沿着最优的路径 找到最近的极小值，一旦网络陷入了局部最小值，就会达到稳定状态，网络 的学习就会随之失败，从而使得得出的结果只是局部最优解，而很难得到全 局最优解。目前存在很多种方法都试图改进Hopfield网络来帮助网络解决局 部最小值问题。其中比较著名的如Boltzman机，该方法中通过对离散型 Hopfield网络加以扰动，使其以概率的形式表达，而网络的模型方程不变， 只是输出值类似于Boltzman分布以概率分布取值，另外还有随机Hopfield网 络模型，在每个输入上加上扰动，从而可以使得网络摆脱局部极小值。但是， 这些解决方案的基本思想都是在模型中引入随机因素来避免陷入局部最小 值，不可避免的要消耗大量的运行时间。因而在实际问题应用中，很难在理 想的时间里解决大规模的问题。j在夺课枣寰z勰提出了一种新的Hopfietd 网络的学习算法——梯度上升学习算法。该学习算法中把网络的权值和阂值 参数看作是一种可调参数。整个算法由两个阶段组成，分别是Hopfield网络 的运行阶段和在权值和阈值参数空间的梯度上升学习阶段。当Hopfield网络 在当前权值和阈值空间的学习过程中陷入到一个局部极d、值中时，便-丌始梯 度上升阶段，通过沿着梯度上升的方向修改权值和阈值参数的方式，从而可 以使得网络的能量能够暂时增加，使得网络有脱离局部最小值的能力。／同时， l 第1ll负 山东大学硕士学位论文 山东大学硕士学位论文 在超大规模集成电路的设计、网络线路的设计和分析以及DNA的映射分析问 题中，存在一个重要的问题，就是在同一个平面往往要求没有线路交叉，而 这些问题在平面上往往可以用一个两层图来表示，这就需要我们找出该图的 一个最大子图，使得在该子图中边与边之间没有交叉，我们将这个问题称为 两层图的平面化问题。虽然，已经有诸多的研究者针对这个问题提出了不同 的算法，但是部存在着缺陷。基于该问题在现实中的重要作用以及目前算法 的缺陷，我们提出了一个基于Hopfield网络的并行算法。在该并行算法中， 我们用梯度上升学习，来帮助网络脱离局部极小值。实验的结果表明我们的 梯度上升学习算法具有帮助HopfieId网络脱离局部最小值的能力，在该组合 优化问题中我们的算法能够得到比较理想的结果。我们的算法由于采用定向 搜索方式，该并行算法相对于模拟退火算法有更快的搜索速度。，o．． 关键词：人工神经网络、Hopfield网络、局部最小值、梯度上升学习，两层 ～～ ～～ 图平面化 第lV页 山东大学硕士学位论文Abstract 山东大学硕士学位论文 Abstract Artificial Neural Network(ANN)is an advanced regenerative science which develops quickly and involves many subjects．It is a system based on the study and simulation about the architecture and function mechanism of human brain．The Hopfield network is a well—known neural network model．Especially，in optimization problems，it is widely used However，the network has some problems of great concem in the practical，one of which is the local minima problem．The main idea of the Hopfield network is that it attempts to take the best path to the nearest minimum，whether global or local．If a local minimum is reached，the network will be steady and fail to learn．Many variation