神经网络优化计算精.ppt

《神经网络优化计算精.ppt》由会员分享，可在线阅读，更多相关《神经网络优化计算精.ppt（52页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。

1、神经网络优化计算第1页，本讲稿共52页25.1 人工神经网络的基本概念人工神经网络的基本概念 5.1.1 5.1.1 发展历史发展历史发展历史发展历史 5.1.2 McCulloch-Pitts5.1.2 McCulloch-Pitts神经元神经元神经元神经元 5.1.3 5.1.3 网络结构的确定网络结构的确定网络结构的确定网络结构的确定 5.1.4 5.1.4 关联权值的确定关联权值的确定关联权值的确定关联权值的确定 5.1.5 5.1.5 工作阶段工作阶段工作阶段工作阶段 5.2 多层前向神经网络多层前向神经网络 5.2.1 5.2.1 一般结构一般结构一般结构一般结构 5.2.2 5.

2、2.2 反向传播算法反向传播算法反向传播算法反向传播算法 5.3 反馈型神经网络反馈型神经网络 5.3.1 5.3.1 离散离散离散离散HopfieldHopfield神经网络神经网络神经网络神经网络 5.3.2 5.3.2 连续连续连续连续HopfieldHopfield神经网络神经网络神经网络神经网络 5.3.3 Hopfield5.3.3 Hopfield神经网络在神经网络在神经网络在神经网络在TSPTSP中的应用中的应用中的应用中的应用第2页，本讲稿共52页35.1 人工神经网络的基本概念人工神经网络的基本概念 w“神经网络神经网络”与与“人工神经网络人工神经网络”w1943年，年，W

3、arren McCulloch和和Walter Pitts建立了第一建立了第一个人工神经网络模型；个人工神经网络模型；w1969年，年，Minsky和和Papert发表发表Perceptrons；w20世纪世纪80年代，年代，Hopfield将人工神经网络成功应用在组合将人工神经网络成功应用在组合优化问题。优化问题。5.1.1 发展历史发展历史第3页，本讲稿共52页45.1 人工神经网络的基本概念人工神经网络的基本概念 w重要意义重要意义w现代的神经网络开始于现代的神经网络开始于McCulloch,Pitts(1943)的先驱的先驱工作；工作；w他们的神经元模型假定遵循有他们的神经元模型假定遵

4、循有-无模型律；无模型律；w如果如此简单的神经元数目足够多和适当设置连接权值如果如此简单的神经元数目足够多和适当设置连接权值并且同步操作并且同步操作,McCulloch&Pitts证明这样构成的网络证明这样构成的网络原则上可以计算任何可计算函数；原则上可以计算任何可计算函数；w标志着神经网络和人工智能的诞生。标志着神经网络和人工智能的诞生。5.1.2 McCulloch-Pitts神经元神经元第4页，本讲稿共52页55.1 人工神经网络的基本概念人工神经网络的基本概念 w结构结构 McCulloch-Pitts输出输出 函数定义为：函数定义为：5.1.2 McCulloch-Pitts神经元神

5、经元InputsignalSynapticweightsSummingfunctionActivationfunctionOutputyx1x2xnw2wnw1-第5页，本讲稿共52页65.1 人工神经网络的基本概念人工神经网络的基本概念 w网络的构建网络的构建 Y=F(X)5.1.2 McCulloch-Pitts神经元神经元x1y1输出层输出层隐藏层隐藏层输入层输入层x2y2ymxn第6页，本讲稿共52页7w网络的拓扑结构网络的拓扑结构 前向型、反馈型等前向型、反馈型等w神经元激活函数神经元激活函数 阶跃函数阶跃函数 线性函数线性函数 Sigmoid函数函数5.1 人工神经网络的基本概念人

6、工神经网络的基本概念 5.1.3 网络结构的确定网络结构的确定f(x)x0+1第7页，本讲稿共52页8w确定的内容确定的内容 权值权值wi和和w确定的方式确定的方式 学习（训练）学习（训练）有指导的学习有指导的学习：已知一组正确的输入输出结果的条件下，：已知一组正确的输入输出结果的条件下，神经网络依据这些数据，调整并确定权值；神经网络依据这些数据，调整并确定权值；无指导的学习无指导的学习：只有输入数据，没有正确的输出结果：只有输入数据，没有正确的输出结果情况下，确定权值。情况下，确定权值。5.1 人工神经网络的基本概念人工神经网络的基本概念 5.1.4 关联权值的确定关联权值的确定第8页，本讲

7、稿共52页9w学习与工作的关系学习与工作的关系 先学习先学习再再工作工作5.1 人工神经网络的基本概念人工神经网络的基本概念 5.1.5 工作阶段工作阶段第9页，本讲稿共52页105.1 人工神经网络的基本概念人工神经网络的基本概念 5.1.1 5.1.1 发展历史发展历史发展历史发展历史 5.1.2 McCulloch-Pitts5.1.2 McCulloch-Pitts神经元神经元神经元神经元 5.1.3 5.1.3 网络结构的确定网络结构的确定网络结构的确定网络结构的确定 5.1.4 5.1.4 关联权值的确定关联权值的确定关联权值的确定关联权值的确定 5.1.5 5.1.5 工作阶段工

8、作阶段工作阶段工作阶段 5.2 多层前向神经网络多层前向神经网络 5.2.1 5.2.1 一般结构一般结构一般结构一般结构 5.2.2 5.2.2 反向传播算法反向传播算法反向传播算法反向传播算法 5.3 反馈型神经网络反馈型神经网络 5.3.1 5.3.1 离散离散离散离散HopfieldHopfield神经网络神经网络神经网络神经网络 5.3.2 5.3.2 连续连续连续连续HopfieldHopfield神经网络神经网络神经网络神经网络 5.3.3 Hopfield5.3.3 Hopfield神经网络在神经网络在神经网络在神经网络在TSPTSP中的应用中的应用中的应用中的应用第10页，本

9、讲稿共52页115.2 多层前向神经网络多层前向神经网络w多层多层 两层以上两层以上w前向前向 无反馈无反馈 5.2.1 一般结构一般结构输出层输出层隐藏层隐藏层输入层输入层y1y2ymx1x2xn第11页，本讲稿共52页125.2 多层前向神经网络多层前向神经网络w目的目的 确定权值确定权值w方法方法 反向推导反向推导 5.2.2 反向传播算法反向传播算法第12页，本讲稿共52页135.1 人工神经网络的基本概念人工神经网络的基本概念 5.1.1 5.1.1 发展历史发展历史发展历史发展历史 5.1.2 McCulloch-Pitts5.1.2 McCulloch-Pitts神经元神经元神经

10、元神经元 5.1.3 5.1.3 网络结构的确定网络结构的确定网络结构的确定网络结构的确定 5.1.4 5.1.4 关联权值的确定关联权值的确定关联权值的确定关联权值的确定 5.1.5 5.1.5 工作阶段工作阶段工作阶段工作阶段 5.2 多层前向神经网络多层前向神经网络 5.2.1 5.2.1 一般结构一般结构一般结构一般结构 5.2.2 5.2.2 反向传播算法反向传播算法反向传播算法反向传播算法 5.3 反馈型神经网络反馈型神经网络 5.3.1 5.3.1 离散离散离散离散HopfieldHopfield神经网络神经网络神经网络神经网络 5.3.2 5.3.2 连续连续连续连续Hopfi

11、eldHopfield神经网络神经网络神经网络神经网络 5.3.3 Hopfield5.3.3 Hopfield神经网络在神经网络在神经网络在神经网络在TSPTSP中的应用中的应用中的应用中的应用第13页，本讲稿共52页145.3 反馈型神经网络反馈型神经网络w一般结构一般结构 各神经元之间存在相互联系各神经元之间存在相互联系w分类分类 连续系统：激活函数为连续函数连续系统：激活函数为连续函数 离散系统：激活函数为阶跃函数离散系统：激活函数为阶跃函数 第14页，本讲稿共52页155.3 反馈型神经网络反馈型神经网络wHopfield神经网络神经网络 1982年提出年提出Hopfield反馈神经

12、网络（反馈神经网络（HNN），证明在高），证明在高强度连接下的神经网络依靠集体协同作用能自发产生计算强度连接下的神经网络依靠集体协同作用能自发产生计算行为。行为。是典型的是典型的全连接网络全连接网络，通过引入能量函数，使网络的平，通过引入能量函数，使网络的平衡态与能量函数极小值解相对应。衡态与能量函数极小值解相对应。第15页，本讲稿共52页165.3 反馈型神经网络反馈型神经网络w网络结构网络结构 N为网络节点总数。为网络节点总数。5.3.1 离散离散Hopfield神经网络神经网络s1(t+1)s2(t+1)sn(t+1)s1(t)s2(t)sn(t)w12w1nw21w2nwn1wn2v1

13、(t)v2(t)vn(t)输入输入输出输出第16页，本讲稿共52页175.3 反馈型神经网络反馈型神经网络w网络结构网络结构 （1）一般认为）一般认为vj(t)=0时神经元保持不变时神经元保持不变sj(t+1)=sj(t);（2）一般情况下网络是对称的（）一般情况下网络是对称的（wij=wji）且无自反馈）且无自反馈（wjj=0）;整个网络的状态可用向量整个网络的状态可用向量s表示：表示：5.3.1 离散离散Hopfield神经网络神经网络第17页，本讲稿共52页185.3 反馈型神经网络反馈型神经网络w工作方式工作方式 串行（异步，串行（异步，asynchronous）:任一时刻只有一个单元

14、改任一时刻只有一个单元改变状态，其余单元保持不变；变状态，其余单元保持不变；并行（同步，并行（同步，synchronous）：某一时刻所有神经元同时）：某一时刻所有神经元同时改变状态。改变状态。w稳定状态稳定状态 如果从如果从t=0的任一初始态的任一初始态s(0)开始变化，存在某一有限时开始变化，存在某一有限时刻刻t，从此以后网络状态不再变化，即，从此以后网络状态不再变化，即s(t+1)=s(t)，则称，则称网络达到网络达到稳定状态稳定状态。5.3.1 离散离散Hopfield神经网络神经网络第18页，本讲稿共52页195.3 反馈型神经网络反馈型神经网络w能量函数的定义能量函数的定义 异步方

15、式：异步方式：同步方式：同步方式：5.3.1 离散离散Hopfield神经网络神经网络第19页，本讲稿共52页205.3 反馈型神经网络反馈型神经网络w能量函数能量函数 能量是有界的：能量是有界的：从任一初始状态开始，若在每次迭代时都满足从任一初始状态开始，若在每次迭代时都满足E0，则网络的能量将越来越小，最后趋向于稳定状态，则网络的能量将越来越小，最后趋向于稳定状态E0。5.3.1 离散离散Hopfield神经网络神经网络第20页，本讲稿共52页215.3 反馈型神经网络反馈型神经网络w能量函数能量函数 分析异步（且网络对称分析异步（且网络对称wij=wji）情况下：）情况下：假设只有神经元

16、假设只有神经元i改变状态改变状态 5.3.1 离散离散Hopfield神经网络神经网络同号同号同号同号第21页，本讲稿共52页225.3 反馈型神经网络反馈型神经网络w能量函数能量函数 分析异步（且网络对称分析异步（且网络对称wij=wji）情况下：）情况下：假设只有神经元假设只有神经元i改变状态改变状态 5.3.1 离散离散Hopfield神经网络神经网络同号同号第22页，本讲稿共52页235.3 反馈型神经网络反馈型神经网络w能量函数能量函数 分析同步（且网络对称分析同步（且网络对称wij=wji）情况下：）情况下：5.3.1 离散离散Hopfield神经网络神经网络同号同号第23页，本讲

17、稿共52页245.3 反馈型神经网络反馈型神经网络w网络结构网络结构 与电子线路对应：与电子线路对应：5.3.2 连续连续Hopfield神经网络神经网络g1C1I1z1g2C2I2z2g3C3I3z3gnCnInzny1y2y3yny1y2y3ynw21wn1w31w12w13w1nw23w2nw32w3nwn2wn3.第24页，本讲稿共52页255.3 反馈型神经网络反馈型神经网络w网络的微分方程网络的微分方程 5.3.2 连续连续Hopfield神经网络神经网络Gi.giCiwi1wi2winIiy1y2ynziyiyi=a(zi)(y1-zi)wi1(y2-zi)wi2(yn-zi)w

18、in输入输入输出输出第25页，本讲稿共52页26w网络的微分方程网络的微分方程 ze是动力系统的平是动力系统的平 衡点，称吸引子。衡点，称吸引子。5.3 反馈型神经网络反馈型神经网络 5.3.2 连续连续Hopfield神经网络神经网络.giCiwi1wi2winIiy1y2ynziyiyi=a(zi)(y1-zi)wi1(y2-zi)wi2(yn-zi)win第26页，本讲稿共52页27w能量函数能量函数 可证明，若可证明，若a-1为单调增且连续，为单调增且连续，Ci0，wji=wij，则有，则有dE/dt0，当且仅当，当且仅当dzi/dt=0时时dE/dt=0。5.3 反馈型神经网络反馈型

19、神经网络 5.3.2 连续连续Hopfield神经网络神经网络第27页，本讲稿共52页285.3 反馈型神经网络反馈型神经网络w能量函数能量函数 当从某一初始状态变化时，网络的演变是使当从某一初始状态变化时，网络的演变是使E下降，达到某下降，达到某一局部极小时就停止变化。这些能量的局部极小点就是网络一局部极小时就停止变化。这些能量的局部极小点就是网络的的稳定点稳定点或称或称吸引子吸引子。5.3.2 连续连续Hopfield神经网络神经网络第28页，本讲稿共52页295.3 反馈型神经网络反馈型神经网络wHopfield网络设计网络设计 当当Hopfield用于优化计算时，用于优化计算时，网络的

20、权值是确定的网络的权值是确定的，应应将目标函数与能量函数相对应将目标函数与能量函数相对应，通过网络的运行使，通过网络的运行使能量函数不断下降并最终达到最小，从而得到问题能量函数不断下降并最终达到最小，从而得到问题对应的极小解。对应的极小解。5.3.3 Hopfield神经网络在神经网络在TSP中的应用中的应用第29页，本讲稿共52页305.3 反馈型神经网络反馈型神经网络wHopfield网络设计网络设计 通常需要以下几方面的工作：通常需要以下几方面的工作：（1）选择合适的问题表示方法，使神经网络的输出与）选择合适的问题表示方法，使神经网络的输出与问题的解相对应；问题的解相对应；（2）构造合适

21、的能量函数，使其最小值对应问题的最优解；）构造合适的能量函数，使其最小值对应问题的最优解；5.3.3 Hopfield神经网络在神经网络在TSP中的应用中的应用第30页，本讲稿共52页315.3 反馈型神经网络反馈型神经网络wHopfield网络设计网络设计 通常需要以下几方面的工作：通常需要以下几方面的工作：（3）由能量函数和稳定条件设计网络参数，如连接）由能量函数和稳定条件设计网络参数，如连接权值和偏置参数等；权值和偏置参数等；（4）构造相应的神经网络和动态方程；）构造相应的神经网络和动态方程；（5）用硬件实现或软件模拟。）用硬件实现或软件模拟。5.3.3 Hopfield神经网络在神经网

22、络在TSP中的应用中的应用第31页，本讲稿共52页325.3 反馈型神经网络反馈型神经网络wTSP问题的表示问题的表示 将将TSP问题用一个问题用一个nn矩阵表示，矩阵的每个元素代表一矩阵表示，矩阵的每个元素代表一个神经元。个神经元。代表商人行走顺序为：代表商人行走顺序为：3124 每一行、每一列的和各为每一行、每一列的和各为1。5.3.3 Hopfield神经网络在神经网络在TSP中的应用中的应用1为是，为是，0为否为否第第1站站第第2站站第第3站站第第4站站城市城市10100城市城市20010城市城市31000城市城市40001第32页，本讲稿共52页33w能量函数的构建能量函数的构建 每

23、个神经元接收到的值为每个神经元接收到的值为zij，其输出值为，其输出值为yij，激活函数采，激活函数采用用Sigmoid函数，记两个城市函数，记两个城市u和和v的距离是的距离是duv。1）希望每一行的和为）希望每一行的和为1，即，即 最小，每一行最多有一个最小，每一行最多有一个1时，时，E10。5.3 反馈型神经网络反馈型神经网络 5.3.3 Hopfield神经网络在神经网络在TSP中的应用中的应用第第1站站第第2站站第第3站站第第4站站城市城市10100城市城市20010城市城市31000城市城市40001每行的输出值每行的输出值两两相乘之和两两相乘之和第33页，本讲稿共52页34w能量函

24、数的构建能量函数的构建 2）希望每一列的和为）希望每一列的和为1，即，即 最小，每一列最多有一个最小，每一列最多有一个1时，时，E20。3）希望每一行每一列正好有一个）希望每一行每一列正好有一个1，则，则 最小时为零。最小时为零。5.3 反馈型神经网络反馈型神经网络 5.3.3 Hopfield神经网络在神经网络在TSP中的应用中的应用第第1站站第第2站站第第3站站第第4站站城市城市10100城市城市20010城市城市31000城市城市40001每列的输出值每列的输出值两两相乘之和两两相乘之和所有的输出值所有的输出值两两相乘之和两两相乘之和应该为应该为n第34页，本讲稿共52页35w能量函数的

25、构建能量函数的构建 4）E1，E2，E3只能保证只能保证TSP的一个可行解，为了得到的一个可行解，为了得到TSP的最小路径，当的最小路径，当duv=dvu时，希望时，希望 最小，其中，最小，其中，yu0=yun，yu(n+1)=yu1。duvyuiyv(i+1)表示城市表示城市u和和v之间的距离（之间的距离（i代表行走顺序）。代表行走顺序）。5.3 反馈型神经网络反馈型神经网络 5.3.3 Hopfield神经网络在神经网络在TSP中的应用中的应用第第1站站第第2站站第第3站站第第4站站城市城市10100城市城市20010城市城市31000城市城市40001第35页，本讲稿共52页36w能量函

26、数的构建能量函数的构建 5）根据连续）根据连续Hopfield神经网络能量函数，神经网络能量函数，最后，能量函数表示为：最后，能量函数表示为：A，B，C，D，为非负常数。为非负常数。5.3 反馈型神经网络反馈型神经网络 5.3.3 Hopfield神经网络在神经网络在TSP中的应用中的应用第36页，本讲稿共52页37w能量函数的构建能量函数的构建 由动力学方程，由动力学方程，5.3 反馈型神经网络反馈型神经网络 5.3.3 Hopfield神经网络在神经网络在TSP中的应用中的应用第37页，本讲稿共52页38w能量函数的构建能量函数的构建 参照动力学方程，可知：参照动力学方程，可知：5.3 反

27、馈型神经网络反馈型神经网络 5.3.3 Hopfield神经网络在神经网络在TSP中的应用中的应用第38页，本讲稿共52页39w10城市城市TSP问题（问题（d*=2.691）0.4 0.4439;0.2439 0.1463;0.1707 0.2293;0.2293 0.761;0.5171 0.9414;0.8732 0.6536;0.6878 0.5219;0.8488 0.3609;0.6683 0.2536;0.6195 0.26345.3 反馈型神经网络反馈型神经网络 5.3.3 Hopfield神经网络在神经网络在TSP中的应用中的应用第39页，本讲稿共52页40w10城市城市TS

28、P问题（问题（d*=2.691）流程图：流程图：5.3 反馈型神经网络反馈型神经网络 5.3.3 Hopfield神经网络在神经网络在TSP中的应用中的应用第40页，本讲稿共52页41w10城市城市TSP问题（问题（d*=2.691）初始参数：初始参数：1 ABD500，C200 激励函数为激励函数为Sigmoid 其中，其中，00.025.3 反馈型神经网络反馈型神经网络 5.3.3 Hopfield神经网络在神经网络在TSP中的应用中的应用第41页，本讲稿共52页42w10城市城市TSP问题（问题（d*=2.691）初始参数：初始参数：初始的初始的yui 初始的初始的zui =0.0000

29、15.3 反馈型神经网络反馈型神经网络 5.3.3 Hopfield神经网络在神经网络在TSP中的应用中的应用第42页，本讲稿共52页43w10城市城市TSP问题（问题（d*=2.691）5.3 反馈型神经网络反馈型神经网络 5.3.3 Hopfield神经网络在神经网络在TSP中的应用中的应用第43页，本讲稿共52页44w10城市城市TSP问题（问题（d*=2.691）5.3 反馈型神经网络反馈型神经网络 5.3.3 Hopfield神经网络在神经网络在TSP中的应用中的应用第44页，本讲稿共52页45w10城市城市TSP问题（问题（d*=2.691）5.3 反馈型神经网络反馈型神经网络 5

30、.3.3 Hopfield神经网络在神经网络在TSP中的应用中的应用第45页，本讲稿共52页46w10城市城市TSP问题（问题（d*=2.691）5.3 反馈型神经网络反馈型神经网络 5.3.3 Hopfield神经网络在神经网络在TSP中的应用中的应用第46页，本讲稿共52页47w10城市城市TSP问题（问题（d*=2.691）5.3 反馈型神经网络反馈型神经网络 5.3.3 Hopfield神经网络在神经网络在TSP中的应用中的应用第47页，本讲稿共52页48w10城市城市TSP问题（问题（d*=2.691）5.3 反馈型神经网络反馈型神经网络 5.3.3 Hopfield神经网络在神经网

31、络在TSP中的应用中的应用第48页，本讲稿共52页49w10城市城市TSP问题（问题（d*=2.691）5.3 反馈型神经网络反馈型神经网络 5.3.3 Hopfield神经网络在神经网络在TSP中的应用中的应用第49页，本讲稿共52页50w基于基于Hopfield网络优化的缺陷网络优化的缺陷 用用Hopfield网络优化的出发点建立在：网络优化的出发点建立在：（1）神经网络是稳定的，网络势必收敛到渐进平衡点；）神经网络是稳定的，网络势必收敛到渐进平衡点；（2）神经网络的渐进平衡点恰好是能量函数的极小）神经网络的渐进平衡点恰好是能量函数的极小值。值。5.3 反馈型神经网络反馈型神经网络 5.3

32、.3 Hopfield神经网络在神经网络在TSP中的应用中的应用第50页，本讲稿共52页51w基于基于Hopfield网络优化的缺陷网络优化的缺陷 用用Hopfield网络优化会导致：网络优化会导致：（1）网络最终收敛到局部极小解，而非全局最优解；）网络最终收敛到局部极小解，而非全局最优解；（2）网络可能会收敛到问题的不可行解；）网络可能会收敛到问题的不可行解；（3）网络优化的最终结果很大程度上依赖于网络的）网络优化的最终结果很大程度上依赖于网络的参数。参数。5.3 反馈型神经网络反馈型神经网络 5.3.3 Hopfield神经网络在神经网络在TSP中的应用中的应用第51页，本讲稿共52页52第五章第五章 结束结束第52页，本讲稿共52页