조합 최적화 문제 해결을 위한 통계적 홉필드 신경망의 일반화 모델에 관한 연구

A study on the Generalized Model of Statistical Hopfield Neural Network to Solve the Combinational Optimization Problem

이 논문에서는 잘 알려진 N-P complete 문제인 TSP를 풀수 있는 통계적 홉필드 신경망의 일반화된 모델을 제안한다. 정규화를 통한 형태의 목적함수를 가진 반 덴 바우트의 방법은 필요한 외란 효과를 다 고려하지 않은 심각한 단점이 있다. 제안된 모델에서는 향상된 목적함수가 사용되었고 반 덴 바우트가 고려한 2가지와 박찬익이 더 고려한 1가지를 포함하는 5가지의 외란 효과와 외란 효과들의 비를 이용하는 방법을 제안한다. 임의로 만든 10개 도시의 시뮬레이션을 통해 제안한 모델이 100가지의 경우에서 90가지가 최적이나 거의 최적에 도달함을 보여준다. (오차 5% 이내로) 30개와 50개 도시의 큰 규모의 TSP에 대해 좋은 결과를 얻었다.

In this paper, we propose a generalized model of statistical Hopfield neural network applicable to solving the well known NP-Complete problem, TSP. Van Den Bout's method to simplify the energy function through normalization has severe weak points that it does not consider the necessary perturbation effects. In proposed model, the improved energy function is used and 5 kinds of perturbation effects and the ratio between perturbation effects are considered including van Den Bout's 2 kinds and one more kind of Park. Through the simulation of randomly generated distribution of 10-city, it is found that our model shows 90 out of 100 cases reach the optimum and near optimum solution(within 5% error). We show the simulation of the large scale, 30-city and 50-city.