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

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 هاپفیلد 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 هاپفیلد 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 هاپفیلد و کوهونن یعنی سرعت همگرایی مناسب و دقت قابل قبول، شیوه یادگیری رقابتی کوهونن و ساختار فیدبکی هاپفیلد 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)، 81/3% است. همچنین، شبکه پیشنهادی در مقایسه با روش های محک متداول شامل آبکاری شبیه سازی شده و نگاشت خود سازمانده Budinich''s SOM، عملکرد قابل قبولی از خود نشان داده است. بعلاوه، شبکه پیشنهادی بسیار انعطاف پذیرمی 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 مساله «کوتاهترین مسیر با تعداد شهر مشخص» نیز استفاده شده است.