دانلود ترجمه مقاله روش های شبکه عصبی برای حل مساله فروشندگان دوره گرد (ساینس دایرکت – الزویر 2022) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

روش های شبکه عصبی برای حل مساله فروشندگان دوره گرد

The neural network methods for solving Traveling Salesman Problem

چکیده
1-مقدمه
2-روش های شبکه عصبی برای حل TSP
نتایج
منابع

چکیده
     مساله فروشندگان دوره گرد یک مسئله مورد توجه در زمان حال است. شبکه عصبی می تواند برای حل مسائل بهینه سازی ترکیبی مورد استفاده قرار گیرد. در سال‌های اخیر روش‌های شبکه عصبی زیادی برای حل TSP وجود داشته اند که گامی بزرگ به سمت حل مسائل بهینه‌سازی ترکیبی برداشته است. این مقاله به بررسی روش های شبکه های عصبی برای حل TSP در سال‌های اخیر می‌پردازد که شامل شبکه عصبی Hopefield، شبکه عصبی گراف و شبکه عصبی یادگیری تقویتی است. استفاده از شبکه عصبی برای حل TSP می‌تواند به طور موثری صحت راه حل تقریبی را بهبود بخشد و در نهایت دورنمایی از حل TSP در آینده را ارائه کردیم.

روش های شبکه عصبی برای حل TSP
     شبکه عصبی الگوریتمی از یادگیری ماشینی است. این روش می‌تواند TSP را با استفاده از یادگیری ماشینی حل کند که شبکه های عصبی را با ساختارهای مختلف ارتقا داده و محل دقیق تر TSP را آموزش می دهد و الگوریتم حل TSP را با دنبال کردن انواع شبکه های عصبی معرفی خواهیم کرد.

شبکه عصبی Hopefield
     در سال ۱۹۸۵ یک شبکه کاملا متصل را طراحی کرد که بعداً به عنوان شبکه عصبی Hopefield شناخته شد[14]. او TSP ۱۰ شهر و ۳۰ شهر را شبیه سازی کرد.علاوه بر آن این اولین الگوریتمی بود که از شبکه عصبی برای حل مساله بهینه سازی TSP استفاده کرد. همانطور که در شکل ۱ نشان داده شده، ایده الگوریتم تبدیل تابع هدف به تابع انرژی در شبکه عصبی و به حداقل رساندن تابع انرژی در فرایند اجرای شبکه عصبی برای به دست آوردن راه حل بهینه است. Hopefield تابع انرژی و معادلات حرکت مساله های TSP را در معادله ۵-۶ تعریف می کند.

شبکه عصبی گراف
     گراف دارای یک ساختار پیچیده است و نمی‌توان به راحتی شبکه عصبی را با داده‌های گراف تلفیق کرد. در سال‌های اخیر تعداد زیادی از مطالعات به بررسی شبکه عصبی گراف اختصاص داده شده است .ایده اصلی شبکه عصبی گراف انبوه سازی اطلاعات هر گره و گره های اطراف آن است و شبکه عصبی گراف به خوبی توانایی حل TSP را دارد.[19]Parates [20]یک شبکه عصبی گراف را ایجاد کرد و مدل را به یک الگوریتم انتقال داده موثر تبدیل کرد. [21]Joshi نیز یک روش عمیق یادگیری غیر هم بسته را پیشنهاد کرد. گراف CONVNET نیز که توسط BEARSON [22]معرفی شد برای تقریب راه‌حل TSP استفاده می شود. ویژگی خاص این روش این است که خروجی احتمال هر لحظه در حال تبدیل شدن به یک راه حل بهینه است و راه حل بهینه با عبور کل TSP توسط جستجو به دست می آید.Hu[23] و همکارانش یک شبکه عصبی گراف متفاوت با دیگر گراف ها را ایجاد کردند که در قسمت رمزگشایی لایه عبوری دو طرفه برای پیش بینی احتمال بازدید شهر بعدی استفاده شد و راه حل بهینه با تلفیق بهترین جستجوی اولیه پیدا شد.