鄭華-2150230505-SOM網(wǎng)絡(luò)模型

1、SOM網(wǎng)絡(luò)模型應(yīng)用，鄭華，頁碼20深 圳 大 學 實 驗 報 告實驗課程名稱： 人工神經(jīng)網(wǎng)絡(luò) 實驗項目名稱： SOM網(wǎng)絡(luò)模型應(yīng)用 學院： 計算機與軟件學院 專業(yè)： 軟件工程 報告人： 鄭華 學號： 2150230505 班級： 15級 同組人： 無 指導教師： 朱安民 實驗時間： 2016-5-30 實驗報告提交時間： 2016-5-31 教務(wù)處制一、 實驗?zāi)康睦斫獠⑹煜ふ莆誗OM算法，利用SOM神經(jīng)網(wǎng)絡(luò)解決TSP旅行銷售商問題。二、 實驗內(nèi)容1）假設(shè)有一個旅行商人要拜訪n個城市，他必須選擇所要走的路徑，路徑的限制是每個城市只能拜訪一次，而且最后要回到原來出發(fā)的城市。路徑的選擇目標是要求所經(jīng)過

2、的路徑路程最短。2）設(shè)計一個SOM神經(jīng)網(wǎng)絡(luò)，解決TSP旅行銷售員問題。并且與最佳路徑進行比較，參數(shù)如何選取，如何優(yōu)化算法。3）試分析如何將網(wǎng)絡(luò)設(shè)計擴展到解決多個旅行銷售員的MTSP問題。即有多個旅行銷售商，他們共同完成每個城市的拜訪，并且每個城市只能去一次，所有的加起來經(jīng)過的路程最短。三、 實驗步驟1. 網(wǎng)絡(luò)設(shè)計，包括輸入層、輸出層節(jié)點個數(shù)的設(shè)計，為什么如此設(shè)計；圖1上圖出自朱安民教授的課件。輸入層節(jié)點個數(shù)為2，即為每個城市的坐標。輸出層節(jié)點個數(shù)為城市的個數(shù)29。2. 算法步驟；圖2上圖出自朱安民教授的課件。首先要初始化神經(jīng)網(wǎng)絡(luò)的權(quán)值，然后將坐標輸入到神經(jīng)網(wǎng)絡(luò)中去，競爭出來一個優(yōu)勝點，然后計算

3、出離這個點最近的鄰居，然后修改優(yōu)勝點和他的鄰居的3. 運行程序，結(jié)果圖示。 圖33.1對101個城市進行處理的結(jié)果截圖，分別運行3次，結(jié)果圖是否一樣？為什么？ 三次的結(jié)果不一樣，如下三個圖所示，原因是初始狀態(tài)的選取是隨機的，不一定那個點就是優(yōu)勝點，而且結(jié)果也是最優(yōu)路徑的近似值，并不是完全的最優(yōu)路徑，所以結(jié)果也是不盡相同的。但是，每次結(jié)果的誤差都很小，所以這種算法還是可行的。圖4圖5圖63.2對29個城市進行處理的結(jié)果截圖，分別運行3次，結(jié)果圖是否一樣？為什么？圖7圖8圖9 由以上三個圖可知結(jié)果圖是一樣的，因為點比較少，用SOM算法算出來的路徑就是最優(yōu)路徑，因此結(jié)果是一樣的。3.3分析學習率al

4、pha的取值范圍0.001，0.1對結(jié)果的影響；Alpha=0.001時： time= 8.106187s圖10Alpha=0.01時： time= 9.079510s圖11Alpha=0.1時： time= 8.741680s圖12 經(jīng)過試驗分析可以得出： 當alpha=0.01這個量級的時候結(jié)果是最準確的，而且用時也不是很多，所以經(jīng)過驗證alpha最好取值為0.03，alpha取值太大或者太小的時候都會產(chǎn)生誤差。3.4分析學習率beta的取值范圍0.001，0.5對結(jié)果的影響；圖13 beta=0.001 time= 10.597906sbeta=0.01 time= 10.601020s

5、圖14beta=0.1 time= 6.787424s圖15beta=0.5 time= 6.066585s圖16由以上四個結(jié)果可知： 隨著beta的增大，運行時間縮短，但是結(jié)果最準確而且速度相對快的點在beta等于0.1的時候，所以我們以后運行程序就把beta設(shè)置為0.1。beta的值如果太小的話就無法趨近并且與表示城市的那些點重合，太大的話路線也會變長。3.5鄰居函數(shù)F(percent, G)范圍的確定參數(shù)percent的取值0.1 0.8對結(jié)果的影響；Percent=0.1 time= 8.014007圖17Percent=0.2 time= 7.614537s圖18Percent=0.

6、4 time= 7.389752s圖19Percent=0.8 time= 7.173295s圖20由以上四個結(jié)果可知： 隨著percent的增大誤差率是隨之增大的，因此，percent應(yīng)該取一個較小的值，但是，隨著percent的增大，運行時間是減小的，因此，percent也不能是個太小的值，所以由實驗得出，percent取0.2的時候效果最好。四、總結(jié)分析1程序運行結(jié)果的列表，包括7組不同數(shù)據(jù)、3次不同的運行次數(shù)、不同的參數(shù)選擇的情況下的路徑長度、運行時間、以及最短路徑的長度。2結(jié)果列表的文字說明。3實驗過程當中遇到的問題、教訓的總結(jié)。由實驗得出，當alpha=0.03,beta=0.1,

7、percent=0.2的時候，運行效果最佳，運行時間較短而且準確性較高。alpha=0.03,beta=0.1,percent=0.2圖21圖22運行時間：time= 7.798191s五、附錄源程序注意：包括主要功能的注釋說明；如果是自己編寫的請?zhí)貏e注明；如果是參考網(wǎng)上的，注明源代碼出處和修改處。 Mainfunction =Main(data,bestpath)tic%計時%data :訓練集，有三列，第一列是行標，第二、三列是坐標；route； 得到的有序的路徑；bestpath：為最優(yōu)路徑，每行只有一列，表示城市標號%參數(shù)配置bug=0;%調(diào)試模式1，運行模式0norm=0;%是否對數(shù)

8、據(jù)歸一化，1：歸一化；0：不歸一化alpha=0.03;beta=0.1;%學習率beta1=beta;%學習率percent=0.2;citynum=length(data);%城市數(shù)目neutralNum=citynum*2;%輸出神經(jīng)元數(shù)目r=10;%初始半徑iterNum=1000;%定義迭代數(shù)data2=data;%備份if norm=1 %歸一化 max1=max(data(:,2); max2=max(data(:,3); min1=min(data(:,2); min2=min(data(:,3); for i=1:1:length(data) data(i,2)=(data(

9、i,2)-min1)/(max1-min1); data(i,3)=(data(i,3)-min2)/(max2-min2);%0到1 endend%初始化權(quán)重值,Wfor i=1:1:neutralNum for j=1:1:2 W(i,j)=rand;%0到1 endend%訓練for iter=1:1:iterNum error=0;%記錄精度 for count=1:1:citynum i=floor(rand*citynum)+1;%現(xiàn)隨機取數(shù)據(jù) coord=data(i,2:3);%城市的坐標 winnerIndex,distValSet =findWinner(coord,W);

10、%winnerIndex :找到的優(yōu)勝者下標；distValSet；輸入向量與所有的神經(jīng)元的距離值得集合； %更新優(yōu)勝者和鄰居的權(quán)值 for j=1:1:neutralNum dist1=dist(winnerIndex,j,neutralNum);%dist(i,j,M) 計算s神經(jīng)元i與優(yōu)勝神經(jīng)元j之間的距離，其中M為總的神經(jīng)元 adjacentFuncVal =adjacentFunction(dist1, r);%findWinner(A,W) 求近鄰函數(shù)的結(jié)果值；dist； 神經(jīng)距離優(yōu)勝神經(jīng)元的距離； r;本次迭代的近鄰半徑 %更新權(quán)值 W(j,1)=W(j,1)+beta* adj

11、acentFuncVal*(coord(1)-W(j,1); W(j,2)=W(j,2)+beta* adjacentFuncVal*(coord(2)-W(j,2); end error=error+distValSet(winnerIndex); end %檢查精度，精度滿足則退出 if error<percent disp('break'); break; end %參數(shù)更新 r= round(r-1)*(1-iter/(iterNum)+1; %更新半徑 beta=beta-beta1/(iterNum); %更新學習率 %調(diào)試工具 if bug=1 if ite

12、r>1 cla end %畫圖 plot(data(:,2),data(:,3),'ro'); % axis(0,1,0,1); hold on; path1,path2 =getPath(data, W);%獲取路徑 drawPath(path1);%繪制路徑 pause(1);%休眠 %統(tǒng)計結(jié)果 distantOfBestPath,distantOfRusultPath,errorRate, =compareToBestPath(path2,bestpath,data2);%與最優(yōu)路徑對比，path2:路徑，格式為路徑按照行數(shù)排序，第二列是城市編號；bestpath：

13、最優(yōu)路徑；data2:城市坐標數(shù)據(jù) str=sprintf('%s%d%s%d%s%d%s%d','最優(yōu)路徑長度=',distantOfBestPath,' ；結(jié)果路徑長度=',distantOfRusultPath,' ；誤差率=',errorRate,' ；迭代次數(shù)=',iter); title(str); end end cla %畫圖 plot(data(:,2),data(:,3),'ro'); % axis(-0.2,1.2,-0.2,1.2); hold on; path1,path2

14、 =getPath(data, W)%獲取路徑 drawPath(path1);%繪制路徑 pause(1);%休眠 %統(tǒng)計結(jié)果 distantOfBestPath,distantOfRusultPath,errorRate,data3 =compareToBestPath(path2,bestpath,data2);%與最優(yōu)路徑對比，path2:路徑，格式為路徑按照行數(shù)排序，第二列是城市編號；bestpath：最優(yōu)路徑；data2:城市坐標數(shù)據(jù) str=sprintf('%s%d%s%d%s%d','最優(yōu)路徑長度=',distantOfBestPath,

15、9; ；結(jié)果路徑長度=',distantOfRusultPath,' ；誤差率=',errorRate); title(str); %畫最優(yōu)路徑 figure; plot(data3(:,1),data3(:,2),'ro-'); title('最優(yōu)路徑'); iter toc%完畢f(xié)indWinner:function winnerIndex,distValSet =findWinner(A,W)%winnerIndex :找到的優(yōu)勝者下標；distValSet；輸入向量與所有的神經(jīng)元的距離值得集合；A：輸入的向量 W：所有神經(jīng)元的權(quán)重

16、值的集合iputDim=length(A);%iputDim：輸入向量的維度值neuNum=length(W);%輸出神經(jīng)元數(shù)目winnerIndex=1;%計算輸入的向量 W：所有神經(jīng)元的權(quán)重之間的距離for i=1:1:neuNum distant=0; for j=1:1:iputDim distant=distant+(A(j)-W(i,j)2; end distValSet(i)= sqrt(distant); if i>2 if distValSet(winnerIndex)>distValSet(i) winnerIndex=i; end endendcompareT

17、oBestPath:function distantOfBestPath,distantOfRusultPath,errorRate,data2 =compareToBestPath(path2,bestpath,data)%與最優(yōu)路徑對比，path2:路徑，格式為路徑按照行數(shù)排序，第二列是城市編號；bestpath：最優(yōu)路徑；data:城市坐標數(shù)據(jù);data2:最優(yōu)路徑%的坐標數(shù)據(jù)dist1=0;dist2=0;data2(1,:)=data(bestpath(1,1),2:3);for i=1:1:(length(bestpath)-1) cityNum1=bestpath(i,1); c

18、ityNum2=bestpath(i+1,1); cityPos1=data(cityNum1,2:3); cityPos2=data(cityNum2,2:3); data2(i+1,:)=data(cityNum2,2:3); d=(cityPos1(1)-cityPos2(1)2+(cityPos1(2)-cityPos2(2)2; d=sqrt(d); dist1=dist1+d;endcityNum1=bestpath(1,1);cityNum2=bestpath(length(bestpath),1);cityPos1=data(cityNum1,2:3);cityPos2=dat

19、a(cityNum2,2:3);d=(cityPos1(1)-cityPos2(1)2+(cityPos1(2)-cityPos2(2)2;d=sqrt(d);dist1=dist1+d;distantOfBestPath=dist1;%最優(yōu)路徑長度for i=1:1:(length(path2)-1) cityNum1=path2(i,2); cityNum2=path2(i+1,2); cityPos1=data(cityNum1,2:3); cityPos2=data(cityNum2,2:3); d=(cityPos1(1)-cityPos2(1)2+(cityPos1(2)-cityPos2(2)2; d=sqrt(d); dist2=dist2+d;endcityNum1=path2(1,2);cityNum2