ترکیب بهینه شبکه‎ عصبی آشوب‎گون با پسخوراند خودی، نمای لیاپانوف و تبرید تدریجی در حل مسئله فروشنده دوره گرد

Abstract

این مقاله یک ترکیب هم­افزای شبکه عصبی آشوب‎گون با پسخوراند خودی، نمای لیاپانوف و تبرید تدریجی را برای حل مسائل بهینه‎سازی ترکیبی نظیر فروشنده دوره‌گرد (TSP) پیشنهاد می‎دهد. برخلاف شبکه‎های عصبی مصنوعی که با دینامیک گرادیان نزولی به سمت نقطه تعادل پایدار همگرا می‎شوند، شبکه­های عصبی آشوبی دینامیک­های فضایی - زمانی غنی‎تر و ساختار پیچیده‎تری دارند؛ بنابراین انتظار می­رود شبکه عصبی آشوبی توان زیادی برای یافتن نقطه بهینه سراسری و یا دست‌کم نزدیک به سراسری داشته باشد. یکی از مهم‌ترین مشکلات شبکه‎های عصبی مصنوعی، گرفتاری آن‌ها در کمینه‎های محلی است. اگرچه شبکه‎های عصبی آشوب­گون تا حدی این مشکل را حل می­کنند، ولی به لحاظ سرعت همگرایی در حرکت به سوی نقطه تعادل مشکل دارند؛ بنابراین در این مقاله به کمکِ نمای لیاپانوف و تبرید تدریجی، حضور شبکه در حالت آشوب­گون، کنترل و شبکه به سمت نقطه بهینه سراسری هدایت می‎شود. به‎منظور ارزیابی این شبکه، TSP با تعداد شهرهای مختلف استفاده شده است. نتایج شبیه‎سازی نشان می‎دهد این شبکه‎ می‎تواند جواب بهینه را در TSP با تعداد تکرار کمتر و سرعت بیشتر پیدا کند.