课件：神经网络优化计算.ppt

3.3 反馈型神经网络 智能优化计算 数学与统计学院 2013年 TSP问题的表示 将TSP问题用一个n×n矩阵表示，矩阵的每个元素代表一个神经元。 代表商人行走顺序为：3→1→2→4 每一行、每一列的和各为1。 3.3.3 Hopfield神经网络在TSP中的应用 1为是，0为否 第1站 第2站 第3站 第4站 城市1 0 1 0 0 城市2 0 0 1 0 城市3 1 0 0 0 城市4 0 0 0 1 能量函数的构建 每个神经元接收到的值为zij，其输出值为yij，激活函数采用Sigmoid函数，记两个城市x和y的距离是dxy。 1）希望每一行的和为1，即 最小，每一行最多有一个1时，E1＝0。 3.3 反馈型神经网络 智能优化计算 数学与统计学院 2013年 3.3.3 Hopfield神经网络在TSP中的应用 第1站 第2站 第3站 第4站 城市1 0 1 0 0 城市2 0 0 1 0 城市3 1 0 0 0 城市4 0 0 0 1 能量函数的构建 2）希望每一列的和为1，即 最小，每一列最多有一个1时，E2＝0。 3）希望每一行每一列正好有一个1，则 为零。 3.3 反馈型神经网络 智能优化计算 数学与统计学院 2013年 3.3.3 Hopfield神经网络在TSP中的应用 第1站 第2站 第3站 第4站 城市1 0 1 0 0 城市2 0 0 1 0 城市3 1 0 0 0 城市4 0 0 0 1 能量函数的构建 4）E1，E2，E3只能保证TSP的一个可行解，为了得到TSP的最小路径，当duv=dvu时，希望 最小，其中，yu0=yun，yu(n+1)=yu1。duvyuiyv(i+1)表示城市u和v之间的距离（i代表行走顺序）。 3.3 反馈型神经网络 智能优化计算 数学与统计学院 2013年 3.3.3 Hopfield神经网络在TSP中的应用 第1站 第2站 第3站 第4站 城市1 0 1 0 0 城市2 0 0 1 0 城市3 1 0 0 0 城市4 0 0 0 1 能量函数的构建 5）根据连续Hopfield神经网络能量函数， 最后，能量函数表示为： A，B，C，D，α为非负常数。 3.3 反馈型神经网络 智能优化计算 数学与统计学院 2013年 3.3.3 Hopfield神经网络在TSP中的应用 能量函数的构建 由动力学方程， 3.3 反馈型神经网络 智能优化计算 数学与统计学院 2013年 3.3.3 Hopfield神经网络在TSP中的应用 能量函数的构建 整理后得到： 3.3 反馈型神经网络 智能优化计算 数学与统计学院 2013年 3.3.3 Hopfield神经网络在TSP中的应用 10城市TSP问题（d*=2.691） 0.4 0.4439; 0.2439 0.1463; 0.1707 0.2293; 0.2293 0.761; 0.5171 0.9414; 0.8732 0.6536; 0.6878 0.5219; 0.8488 0.3609; 0.6683 0.2536; 0.6195 0.2634 3.3 反馈型神经网络 智能优化计算 数学与统计学院 2013年 3.3.3 Hopfield神经网络在TSP中的应用 10城市TSP问题（d*=2.691） 流程图： 3.3 反馈型神经网络 智能优化计算 数学与统计学院 2013年 3.3.3 Hopfield神经网络在TSP中的应用 10城市TSP问题（d*=2.691） 初始参数： α＝1 A＝B＝D＝500，C＝200 激励函数为Sigmoid 其中，μ0＝0.02 3.3 反馈型神经网络 智能优化计算 数学与统计学院 2013年 3.3.3 Hopfield神经网络在TSP中的应用 10城市TSP问题（d*=2.691） 初始参数： 初始的yui 初始的zui λ=0.00001 3.3 反馈型神经网络