郑华-2150230505-SOM网络模型讲述.docVIP

深 圳 大 学 实 验 报 告 实验课程名称： 人工神经网络 实验项目名称： SOM网络模型应用 学院： 计算机与软件学院 专业： 软件工程 报告人： 郑华 学号： 2150230505 班级： 15级 同组人： 无 指导教师： 朱安民 实验时间： 2016-5-30 实验报告提交时间： 2016-5-31 教务处制 一、 实验目的 理解并熟悉掌握SOM算法，利用SOM神经网络解决TSP旅行销售商问题。 二、 实验内容 1）假设有一个旅行商人要拜访n个城市，他必须选择所要走的路径，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是要求所经过的路径路程最短。 2）设计一个SOM神经网络，解决TSP旅行销售员问题。并且与最佳路径进行比较，参数如何选取，如何优化算法。 3）试分析如何将网络设计扩展到解决多个旅行销售员的MTSP问题。即有多个旅行销售商，他们共同完成每个城市的拜访，并且每个城市只能去一次，所有的加起来经过的路程最短。 三、 实验步骤 1. 网络设计，包括输入层、输出层节点个数的设计，为什么如此设计； 图1 上图出自朱安民教授的课件。输入层节点个数为2，即为每个城市的坐标。输出层节点个数为城市的个数29。 2. 算法步骤； 图2 上图出自朱安民教授的课件。首先要初始化神经网络的权值，然后将坐标输入到神经网络中去，竞争出来一个优胜点，然后计算出离这个点最近的邻居，然后修改优胜点和他的邻居的 3. 运行程序，结果图示。 图3 3.1对101个城市进行处理的结果截图，分别运行3次，结果图是否一样？为什么？ 三次的结果不一样，如下三个图所示，原因是初始状态的选取是随机的，不一定那个点就是优胜点，而且结果也是最优路径的近似值，并不是完全的最优路径，所以结果也是不尽相同的。但是，每次结果的误差都很小，所以这种算法还是可行的。 图4 图5 图6 3.2对29个城市进行处理的结果截图，分别运行3次，结果图是否一样？为什么？ 图7 图8 图9 由以上三个图可知结果图是一样的，因为点比较少，用SOM算法算出来的路径就是最优路径，因此结果是一样的。 3.3分析学习率alpha的取值范围[0.001，0.1]对结果的影响； Alpha=0.001时： time= 8.106187s 图10 Alpha=0.01时： time= 9.079510s 图11 Alpha=0.1时： time= 8.741680s 图12 经过试验分析可以得出： 当alpha=0.01这个量级的时候结果是最准确的，而且用时也不是很多，所以经过验证alpha最好取值为0.03，alpha取值太大或者太小的时候都会产生误差。 3.4分析学习率beta的取值范围[0.001，0.5]对结果的影响； 图13 beta=0.001 time= 10.597906s beta=0.01 time= 10.601020s 图14 beta=0.1 time= 6.787424s 图15 beta=0.5 time= 6.066585s 图16 由以上四个结果可知： 随着beta的增大，运行时间缩短，但是结果最准确而且速度相对快的点在beta等于0.1的时候，所以我们以后运行程序就把beta设置为0.1。beta的值如果太小的话就无法趋近并且与表示城市的那些点重合，太大的话路线也会变长。 3.5邻居函数F(percent, G)范围的确定参数percent的取值[0.1 0.8]对结果的影响； Percent=0.1 time= 8.014007 图17 Percent=0.2 time= 7.614537s 图18 Percent=0.4 time= 7.389752s 图19 Percent=0.8 time= 7.173295s 图20 由以上四个结果可知： 随着percent的增大误差率是随之增大的，因此，percent应该取一个较小的值，但是，随着percent的增大，运行时间是减小的，因此，percent也不能是个太小的值，所以由实验得出，percent取0.2的时候效果最好。 四、总结分析 1．程序运行结果的列表，包括7组不同数据、3次不同的运行次数、不同的参数选择的情况下的路径长度