پاورپوینت يک شبکه عصبی فازی ژنتيکی جديد برای حل مسئله فروشنده دوره گرد

توضیحات محصول

دانلود پاورپوینت يک شبکه عصبی فازی ژنتيکی جديد برای حل مسئله فروشنده دوره گرد با فرمت ppt ودر 17 اسلاید قابل ویرایش

قسمتی از متن پاورپوینت يک شبکه عصبی فازی ژنتيکی جديد برای حل مسئله فروشنده دوره گرد

شرح مسأله فروشنده دوره گرد

مساله فروشنده دوره‏گرد (Traveling Salesman Problem)

كاربردها

• بسياري از مسايل بهينه‏سازي قابل تبديل به مساله فروشنده دوره‏گرد هستند.

• بعلاوه TSP مساله‏اي كلاسيك براي مقايسه روشهاي مختلف بهينه‏سازي با يكديگر است.

• تعيين مسير بهينه حركت مته براي سوراخ كردن صفحه‏هاي مدارچاپي،
تعيين مسير بهينه انتقال داده در شبكه‏هاي كامپيوتري،
پردازش تصوير و تشخيص الگو،
از جمله زمينه‏هايي هستند كه حل TSP برايشان بسيار راه‏گشاست.

روش های متداول برای حل TSP

• الگوريتم های کلاسيک جستجوی محلی

• بازپخت تطبيقی

• شبکه های عصبی مصنوعی

• الگوريتم های ژنتيکی

• برنامه نويسی تکاملی

• سيستم کولونی مورچه ها

• روش های آموزش افزايشی مبتنی بر جمعيت

• Fine-tuned learning

الگوريتم آموزش CNN-TSP

دارای

• فاز سازنده: در اين مرحله، شبکه با اضافه شدن شهرهای جديد به مسير توسعه می يابد.

• فاز بهينه ساز: با جابجايی شهرهای موجود بر روی مسير، مسير فعلی بهبود می يابد.

مزايای CNN-TSP در مقايسه با کوهونن:

• .سرعت همگرايی CNN-TSP در حدود 20 برابر کوهونن

• طول پاسخ های CNN-TSP به طور متوسط (برای مسيرهای 50 شهری) در مقايسه با
کوهونن، 2.5% کوتاهتر است.

بهبود CNN-TSPبا استفاده از منطق فازی

عامل مؤثر بر پاسخ های CNN-TSP

در هر مرحله از فاز سازنده کدام شهر در مسير قرار گيرد.

الگوريتم های ژنتيکی

تصميم گيرنده رقابتی

در نرون های لايه های سوم و چهارم تعيين می شود که کدام نرون بايد در کجای مسير قرار گيرد

تصميم گيرنده فازی

ورودی ها

•افزايش طول ايجاد شده که توسط نرونهای لايه سوم محاسبه می شود.

•.طول کمان برنده که توسط نرون آستانه محاسبه می شود.

خروجی

•ارزش هر يک از شهرها

توابع عضويت ورودی و خروجی