یک شبکه عصبی جدید با ساختاری سازنده ترکیبی برای حل مساله های فروشنده دوره گرد و کوتاهترین مسیر با تعداد شهر مشخص

Abstract

در این مقاله یک شبکه عصبی سازنده جدید برای حل مساله فروشنده دوره گرد TSP ارائه شده است ساختار فیدبکی رقابتی این شبکه از مفاهیم شبکه های عصبی هایفیلد و کوهونن الهام گرفته شده است شبکه کوهونن با شیوه یادگیری رقابتی اش پاسخ های قابل قبولی به TSP ارائه می دهد اما سرعت همگرایی آن بسیار کم است در مقابل شبکه عصبی هایفیلد با ساختار فیدبکی خود دارای سرعت همگرایی مناسبی است اما پاسخ های آن از دقت کمی برخوردار است در شبکه عصبی پیشنهادی برای دستیابی به مزایای شبکه های هایفیلد و کوهونن یعنی سرعت همگرایی مناسب و دقت قابل قبول شیوه یادگیری رقابتی کوهونن و ساختار فید بکی هایفیلد ترکیب شده اند نتایج تجربی نشان می دهد که شبکه پیشنهادی قادر است ظرف مدت کوتاهی پاسخ هایی مناسب به TSP ارائه دهد بطوری که بر اساس شبیه سازی های انجام شده سرعت همگرایی شبکه تقریبا 20 برابر سرعت همگرایی شبکه کوهونن و تفاوت متوسط طول مسیر آن برای 29 مساله استاندارد از کتابخانه TSPLIB نسبت به پاسخ های بهینه ای که در همین کتابخانه ارائه شده 3/81 است همچنین شبکه پیشنهادی در مقیاسه با روشهای محک متداول شامل آبکاری شبیه سازی شده و نگاشت خود سازنده Budinich's SOM‘ عملکرد قابل قبولی از خود نشان داده است. بعلاوه‘ شبکه پیشنهادی بسیار انعطاف پذیر می باشد. تا آنجا که می توان با کمی تنظیم ساختار‘ از آن برای حل سایر مسائل بهینه سازی استفاده نمود. به عنوان مثال‘ در این مقاله با توسعه ساختار شبکه پیشنهادی‘ از آن برای حل مسأله ‹‹کوتاهترین مسیر با تعداد شهر مشخص›› نیز استفاده شده است.