ترکیب بهینه شبکه‎ عصبی آشوب‎گون با پسخوراند خودی، نمای لیاپانوف و تبرید تدریجی در حل مسئله فروشنده دوره گرد

این مقاله یک ترکیب هم افزای شبکه عصبی آشوب‎گون با پسخوراند خودی، نمای لیاپانوف و تبرید تدریجی را برای حل مسائل بهینه‎سازی ترکیبی نظیر فروشنده دوره‌گرد (tsp) پیشنهاد می‎دهد. برخلاف شبکه‎های عصبی مصنوعی که با دینامیک گرادیان نزولی به سمت نقطه تعادل پایدار همگرا می‎شوند، شبکه های عصبی آشوبی دینامیک های فضایی زمانی غنی‎تر و ساختار پیچیده‎تری دارند؛ بنابراین انتظار می رود شبکه عصبی آشوبی توان زیادی برای یافتن نقطه بهینه سراسری و یا دست‌کم نزدیک به سراسری داشته باشد. یکی از مهم‌ترین مشکلات شبکه‎های عصبی مصنوعی، گرفتاری آن‌ها در کمینه‎های محلی است. اگرچه شبکه‎های عصبی آشوب گون تا حدی این مشکل را حل می کنند، ولی به لحاظ سرعت همگرایی در حرکت به سوی نقطه تعادل مشکل دارند؛ بنابراین در این مقاله به کمکِ نمای لیاپانوف و تبرید تدریجی، حضور شبکه در حالت آشوب گون، کنترل و شبکه به سمت نقطه بهینه سراسری هدایت می‎شود. به‎منظور ارزیابی این شبکه، tsp با تعداد شهرهای مختلف استفاده شده است. نتایج شبیه‎سازی نشان می‎دهد این شبکه‎ می‎تواند جواب بهینه را در tsp با تعداد تکرار کمتر و سرعت بیشتر پیدا کند.