Abstract
Given article is devoted features of the decision of a problem of integer nonlinear programming, by means of developed neural network method and algorithm of nonlinear optimization of means «decision Search» tabular processor Microsoft Excel. In offered neural network method the task in view decision is made by means of a recurrent neural network (RNN) matrix architecture with m neurons in each line and n neurons in each column. All neurons such network are connected with each other by communications, and the signal from an exit neuron can move on its input. Neural network method is characterized by that on inputs mentioned RNN the entrance vector of values of parameters of optimized nonlinear criterion function of a problem of distribution of a non-uniform resource moves, calculation of values of weight factors connected among themselves neurons is carried out and signal RNN is formed. This signal by means of nonlinear function will be transformed to the discrete target signal characterizing values quasi-optimal of the decision of the mentioned problem which size changes from 0 to 1. The estimation of efficiency of the decision of a considered problem was carried out at its various values of an indicator of efficiency on the basis of developed imitating model RNN. As indicators of efficiency of application offered neural network method were used – an average relative error and time of the decision of a problem. The value received by means of algorithm of nonlinear optimization of means was accepted to the exact decision «decision Search» tabular processor Microsoft Excel. The analysis of the received results of the experimental researches, offered neural network method, has allowed to make the conclusion that in comparison with an existing method of nonlinear optimization of tabular processor Microsoft Excel use offered neural network method allows essentially (in 9,4 times) to lower time of the decision of a problem dimension 10 × 8 (m ×n) and thus to provide accuracy of its decision not less than 99,8 %.
Highlights
Ключевые слова: целочисленное нелинейное программирование, комбинаторная оптимизация, нейросетевая оптимизация, квазиоптимальное распределение, нейросетевой метод, рекуррентная нейронная сеть, оценка эффективности
В рамках военно-н аучной школы «Современные методы и средства математического моделирования военных действий и военно-технических систем» для решения комбинаторно-оптимизационных задач был разработан нейросетевой метод на основе рекуррентной нейронной сети (РНС) матричной архитектуры [1,2,3]
Алгоритм нейросетевого метода решения рассматриваемой задачи на основе предлагаемой РНС включает в себя следующую последовательность действий: 1. Первоначальные состояния (k = 0) всех нейронов сети yijk проинициализировать значениями коэффициентов pij целевой функции (1)
Summary
ОБРАБОТКА ИНФОРМАЦИИ И ПРИНЯТИЕ РЕШЕНИЙ собой задачу целочисленного нелинейного программирования. Для решения подобных задач вообще и задачи распределения в частности используются различные точные и приближенные методы комбинаторной оптимизации. В большинстве случаев, методом, гарантирующим нахождение оптимального решения, является полный перебор всех возможных вариантов. Однако множество вариантов допустимых решений таких задач быстро растет с увеличением размерности входных данных, что делает на практике неприемлемым использование метода полного перебора. Данное обстоятельство и стимулировало развитие различных приближенных методов решения комбинаторно-оптимизационных задач, среди которых наибольший интерес (с точки зрения рассматриваемой задачи) представляют нейросетевые методы. В рамках военно-н аучной школы «Современные методы и средства математического моделирования военных действий и военно-технических систем» для решения комбинаторно-оптимизационных задач был разработан нейросетевой метод на основе рекуррентной нейронной сети (РНС) матричной архитектуры [1,2,3]. Для рассматриваемого метода наиболее близким по реализации является метод на основе нейронной сети Хопфилда [4].
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Free) 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a call
