遠東學報第二十卷第一期中華民國九十一年十二月出版霍普菲爾-坦克神經網路之最適化應用【旅行推銷員問題】HOPFIELDTANKNEURALNETWORKTRAVELLINGSALESMANPROBLEM呂勇志、林家仲、洪嘉佑、卯乙能、洪智威遠東技術學院電機系摘要『類神經網路』是屬於人工智慧的領域，有別於其他人工智慧的方法，其『類神經網路』具有自我學習的能力(就像人腦一樣可以輕易的聽、說、讀、寫、看……等功用。)，所以不用設計很複雜的程式去解決問題，只須提供資料，『類神經網路』即可根據這些資料自我學習，而達到我們所要的目的。關鍵詞：類神經網路，人工智慧，自我學習。ABSTRACTThe『artificialneuralnetwork』isapartofA.I.ItisdifferentfromthewayofA.I.Ithaveselflearnjustlikeabrianofhuman.Itiseasytohear、speak、readandwrite.Itdesignedinaeasyprocess.Itonlyhavedata.Anditwillaaccordingtothisinformationtoselflearn.Anditwaswhywechoosetheartificialneuralnetwork.Keyword：artificialneuralnetwork，A.I，selflearn.232遠東學報第二十卷第一期中華民國九十一年十二月出版（Back-propagationNetwork）、霍普菲爾網路一、簡介（HopfieldNetwork）、半徑式函數網路（RadialBasisFunctionNetwork），這些類神經網路並非適用所有A、類神經網路簡介：的問題，我們必須針對欲解決問題的不同選擇適當的類神經網路。以下所顯示的是四個輸入與一個輸出的倒傳遞網路模型：一個類神經元的模型顯示如下：虛線的部分即為類神經元X：稱為神經元的輸入（input）。W：稱為鍵結值(weights)，類神經網路的訓練就是圓圈的部分代表神經元在調整鍵結值，使其變得更大或是更小，通常由隨機的方式產生介於+1到-1之間的初始值。鍵結值要使得類神經網路能正確的運作，則必須透可視為一種加權效果，其值越大，則代表連結的神過訓練（training）的方式，讓類神經網路反覆的學經元更容易被激發，對類神經網路的影響也更大；習，直到對於每個輸入都能正確對應到所需要的輸反之，則代表對類神經網路並無太大的影響，而太出，因此在類神經網路學習前，我們必須建立出一小的鍵結值通常可以移除以節省電腦計算的時間個訓練樣本（trainingpattern）使類神經網路在學習與空間。的過程中有一個參考，訓練樣本的建立來自於實際系統輸入與輸出或是以往的經驗，例如：洗衣機洗b：稱為閥值（bias），有偏移的效果。淨衣服的時間，與衣服的質料、數量、骯髒的程度有關，因此我們必須先針對不同質料、數量、骯髒S：稱為加法單元（summation），此部分是將每一的程度的衣服統計出洗衣所需的時間，建立訓練樣個輸入與鍵結值相乘後做一加總的動作。本。不同衣服的質料、數量、骯髒程度就是類神經網路的輸入，而洗衣所需的時間則為類神經網路的φ()：稱之為活化函數（activationfunction），通常目標值（target），也就是類神經網路的參考輸出。是非線性函數，有數種不同的型式，其目的是將S類神經網路的工作性能與訓練樣本有直接的關的值做映射得到所需要的輸出。係，若訓練樣本不正確、太少或是太相似，類神經Y：稱之為輸出（output），亦即我們所需要的結果。網路的工作區間與能力將大打折扣。換句話說，訓練樣本就是類神經網路的老師，因此，訓練樣本越將上述的神經元組合起來就成為一個類神經多、越正確、差異性越大，類神經網路的能力就越網路。目前為止，許多的學者針對欲解決問題的不強。同，提出許多的類神經網路模型，每一種類神經網路的演算法並不相同。常見的網路有：倒傳遞網路233遠東學報第二十卷第一期中華民國九十一年十二月出版類神經網路訓練的目的，就是讓類神經網路的輸出是以動物的樹狀神經網路為藍本的設計，原本因平越接近目標值。亦即，相同的輸入進入到系統與類行技術未成熟而無法深入研究，現在因超大型平行神經網路，得到的輸出值亦要相同。類神經網路未處理的成熟及若干理論的發展，又成為人工智慧中訓練前，其輸出是凌亂的，隨著訓練次數的增加，最活躍的研究領域。類神經網路的鍵結值會逐漸的被調整，使得目標值與神經網路的輸出兩者誤差越來越小