郑华-2150230505-SOM网络模型

1、SOM网络模型应用，郑华，页码20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

2、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

3、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33.1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63.2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al

4、pha的取值范围0.001，0.1对结果的影响；Alpha=0.001时： time= 8.106187s图10Alpha=0.01时： time= 9.079510s图11Alpha=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= 10.597906sbeta=0.01 time= 10.601020s

5、图14beta=0.1 time= 6.787424s图15beta=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17Percent=0.2 time= 7.614537s图18Percent=0.

6、4 time= 7.389752s图19Percent=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、运行时间、以及最短路径的长度。2结果列表的文字说明。3实验过程当中遇到的问题、教训的总结。由实验得出，当alpha=0.03,beta=0.1,

7、percent=0.2的时候，运行效果最佳，运行时间较短而且准确性较高。alpha=0.03,beta=0.1,percent=0.2图21图22运行时间：time= 7.798191s五、附录源程序注意：包括主要功能的注释说明；如果是自己编写的请特别注明；如果是参考网上的，注明源代码出处和修改处。 Mainfunction =Main(data,bestpath)tic%计时%data :训练集，有三列，第一列是行标，第二、三列是坐标；route； 得到的有序的路径；bestpath：为最优路径，每行只有一列，表示城市标号%参数配置bug=0;%调试模式1，运行模式0norm=0;%是否对数

8、据归一化，1：归一化；0：不归一化alpha=0.03;beta=0.1;%学习率beta1=beta;%学习率percent=0.2;citynum=length(data);%城市数目neutralNum=citynum*2;%输出神经元数目r=10;%初始半径iterNum=1000;%定义迭代数data2=data;%备份if norm=1 %归一化 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%初始化权重值,Wfor i=1:1:neutralNum for j=1:1:2 W(i,j)=rand;%0到1 endend%训练for iter=1:1:iterNum error=0;%记录精度 for count=1:1:citynum i=floor(rand*citynum)+1;%现随机取数据 coord=data(i,2:3);%城市的坐标 winnerIndex,distValSet =findWinner(coord,W);

10、%winnerIndex :找到的优胜者下标；distValSet；输入向量与所有的神经元的距离值得集合； %更新优胜者和邻居的权值 for j=1:1:neutralNum dist1=dist(winnerIndex,j,neutralNum);%dist(i,j,M) 计算s神经元i与优胜神经元j之间的距离，其中M为总的神经元 adjacentFuncVal =adjacentFunction(dist1, r);%findWinner(A,W) 求近邻函数的结果值；dist； 神经距离优胜神经元的距离； r;本次迭代的近邻半径 %更新权值 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 %检查精度，精度满足则退出 if error<percent disp('break'); break; end %参数更新 r= round(r-1)*(1-iter/(iterNum)+1; %更新半径 beta=beta-beta1/(iterNum); %更新学习率 %调试工具 if bug=1 if ite

12、r>1 cla end %画图 plot(data(:,2),data(:,3),'ro'); % axis(0,1,0,1); hold on; path1,path2 =getPath(data, W);%获取路径 drawPath(path1);%绘制路径 pause(1);%休眠 %统计结果 distantOfBestPath,distantOfRusultPath,errorRate, =compareToBestPath(path2,bestpath,data2);%与最优路径对比，path2:路径，格式为路径按照行数排序，第二列是城市编号；bestpath：

13、最优路径；data2:城市坐标数据 str=sprintf('%s%d%s%d%s%d%s%d','最优路径长度=',distantOfBestPath,' ；结果路径长度=',distantOfRusultPath,' ；误差率=',errorRate,' ；迭代次数=',iter); title(str); end end cla %画图 plot(data(:,2),data(:,3),'ro'); % axis(-0.2,1.2,-0.2,1.2); hold on; path1,path2

14、 =getPath(data, W)%获取路径 drawPath(path1);%绘制路径 pause(1);%休眠 %统计结果 distantOfBestPath,distantOfRusultPath,errorRate,data3 =compareToBestPath(path2,bestpath,data2);%与最优路径对比，path2:路径，格式为路径按照行数排序，第二列是城市编号；bestpath：最优路径；data2:城市坐标数据 str=sprintf('%s%d%s%d%s%d','最优路径长度=',distantOfBestPath,

15、9; ；结果路径长度=',distantOfRusultPath,' ；误差率=',errorRate); title(str); %画最优路径 figure; plot(data3(:,1),data3(:,2),'ro-'); title('最优路径'); iter toc%完毕findWinner:function winnerIndex,distValSet =findWinner(A,W)%winnerIndex :找到的优胜者下标；distValSet；输入向量与所有的神经元的距离值得集合；A：输入的向量 W：所有神经元的权重

16、值的集合iputDim=length(A);%iputDim：输入向量的维度值neuNum=length(W);%输出神经元数目winnerIndex=1;%计算输入的向量 W：所有神经元的权重之间的距离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)%与最优路径对比，path2:路径，格式为路径按照行数排序，第二列是城市编号；bestpath：最优路径；data:城市坐标数据;data2:最优路径%的坐标数据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;%最优路径长度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