Генетический алгоритм обучения нейронной сети для решения задачи коммивояжёра Текст научной статьи по специальности «Математика»

Известия ТРТУ

Тематический выпуск

pattern of motor units capable and incapable of firing doublets as well as testing excitability recovery after a motoneurone discharge by monosynaptic la afferent volleys suggest the leading role of the delayed depolarization (preceding the after-hyperpolarization in some motoneurones) in the origin of human doublets.

It is suggested that two distinct mechanisms operated by different synaptic inputs ("common drive" inputs and special dendritic inputs evoking the dendritic plateau depolarization) account for single-spike and doublet firing of human motoneurones. The functional role of doublets is discussed.

УДК.658.512

Д.Д. Куликов1

ГЕНЕТИЧЕСКИЙ АЛГОРИТМ ОБУЧЕНИЯ НЕЙРОННОЙ СЕТИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ КОММИВОЯЖЁРА

Задача коммивояжёра является оптимизационной задачей, часто возникающей на практике. Она может быть сформулирована следующим образом: для некоторой группы городов с заданными расстояниями между ними требуется найти кратчайший маршрут с посещением каждого города один раз и с возвращением в . , -дач, называемых "NP-полными" (недетерминистски полиномиальными). Для NP-полных задач не известно лучшего метода решения, чем полный перебор все возможных вариантов. Т.к. полный поиск практически неосуществим для большого , -емлемых, хотя и неоптимальных решений. Решение, использованное в данном ал,

.

Для решения задачи был разработан комбинированный метод обучения ИНС: комбинация методов обратного распространения и генетического алгоритма. Соединение этих двух методов дало результаты лучшие, чем при использовании каждого из них в отдельности. Коррекция весов в комбинированном алгоритме, ис, 2:

1 - направленный поиск, вычисляемый с использованием алгоритма обратного распространения;

2 - , .

Обратное распространение обладает преимуществом прямого поиска, т.е. веса всегда корректируются в направлении, минимизирующем функцию ошибки.

, , вносит в процесс поиска случайную компоненту и позволяет решить проблему ло.

1 Работа выполнена при поддержке РФФИ, грант №00-01-00125

Материалы Международной конференции “Интеллектуальные САПР”

Для преодолении проблемы сетевого паралича, был найден метод, не нарушающий достигнутого обучения. На веса, питающие насыщенный нейрон, действуют сжимающей функцией, подобной используемой для получения выходного OUT, . сильно уменьшает величину очень больших весов, воздействие же на малые веса .

Функция энергии в данной задаче должна удовлетворять 2-м требованиям:

1 - должна быть малой, для корректных решений;

2 - .

При решении данной задачи методом Хопфилда сходимость решений сильно

зависит от коэффициентов и не имеется систематического метода их определения . -венным коэффициентом, значение которого легко определяется, и новый сходя.

Программа написана на языке C++ в системе C++ Builder 5.0 компании Inprise. По результатам тестирования алгоритм превосходит в скорости и качестве решения Benchmark.

УДК 621.372.6

В.М. Курейчик, Л.А. Зинченко1 ЭВОЛЮЦИОННОЕ ПРОЕКТИРОВАНИЕ

Одной из особенностей естественного интеллекта является способность к эволюционному развитию системы мировосприятия. Эволюция является движущей силой развития живого мира. В процессе изменения среды выживают индиви-, . отсутствуют виды с жесткими структурными связями как на уровне генотипов, так . -ниц позволяет сообществу индивидов адаптироваться на двух уровнях. Адаптация на уровне генотипа проявляется в отборе лучшего генетического материала для последующего воспроизводства и относится к процессам, которые проявляются в течение смены нескольких поколений. Механизм этого процесса впервые был сформулирован Ч. Дарвином в теории естественного отбора как “выживание лучших”. Вторая форма адаптации - на уровне фенотипа - происходит в рамках возможного изменения фенотипа при фиксированном генотипе. Длительность этой формы адаптации определяется периодом жизни одного индивида. В зависимости от условий существования при одном и том же исходном генетическом материале возможно развитие различных вариаций фенотипов. Проявление этих форм адаптации послужило в свое время базой для теории эволюции Ламарка.

Введение эволюции в системы автоматизированного проектирования [1, 2] позволило значительно расширить класс систем, доступных исследованию. Преимущества гибридных эволюционных интеллектуальных систем, например систем

1 Работа выполнена п ри поддержке РФФИ, гранты № 99-01-0050, 00-01-00125.