![]() Главная страница Случайная страница КАТЕГОРИИ: АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника |
Оптимальные нейросетевые решения задачи много-адресной маршрутизации
Теперь необходимо определить энергетическую функцию сети. Введём величину К(Y) как функционал, определяющий стоимость дерева проложенных маршрутов. На допустимые решения наложим следующие ограничения: 1) Выходное значение нейронов должно быть либо 1, либо 0; 2) От узла-источника до каждого узла-получателя существует только один маршрут (т.е. в каждой матрице должен быть только один маршрут); 3) Каждый маршрут в нейросетевом решении задачи содержит только существующие рёбра графа ТКС. Нейросетевая постановка задачи маршрутизации может быть сведена к решению следующей оптимизационной задачи [69]: K(Y) ® min, (10.6) где вектор решения Y должен удовлетворять ограничениям 1) – 3). Для каждого ограничения построим положительный квадратичный функционал, принимающий нулевые значения только при выполнении этого ограничения. Для первого ограничения и каждой матрицы
Для второго ограничения и каждой матрицы
Для третьего ограничения и каждой матрицы
где
Так как маршруты строятся только для узлов ТКС из некоторого множества (группы) целевых узлов F, то следует рассматривать только те матрицы Минимизируемый функционал K(Y) представим как сумму частных функционалов Km(Y), определяемых для каждой матрицы
где величина
соответствует «усреднённой» стоимости канала связи (ai, aj), учитывающей число узлов-получателей ТКС, маршруты к которым проходят через этот канал связи. Таким образом, энергетическая функция нейронной сети маршрутизации будет иметь следующий вид:
Очевидно, что глобальный минимум энергетической функции достигается при выполнении всех ограничений и достижении минимума для частных функционалов (10.11). Для расчёта весов (синаптических параметров) нейронной сети маршрутизации достаточно подставить в (10.13) значения из (10.7)–(10.11), приравнять полученное выражение к (10.3) и затем решить получившееся уравнение, т.е. определить соответствующие оптимальные маршруты. Синтезированная модель нейронной сети удобна для решения задач много-адресной маршрутизации потоков данных в ТКС как с фиксированной (постоянной), так и с динамической (переменной) структурой. При определении группы узлов-получателей достаточно подключить в работу нейроны из матриц Обучение нейронной сети сводится к перерасчёту значений весов (синаптических параметров). При изменении состояния ТКС нужно переобучить нейронную сеть с учётом новых данных о ТКС [69], полученных в результате мониторинга ТКС. Программная реализация описанной модели нейронной сети достаточно громоздка при большом числе N узлов глобальной TKC. Однако аппаратная реализация нейронной сети обеспечивает эффективный механизм построения деревьев минимальной стоимости в реальном времени за счёт высокого параллелизма при вычислении оптимальных маршрутов передачи данных в глобальных TKC нового поколения. Другая особенность нейросетевых моделей как агентов-маршрутизаторов заключается в глобальности связей между нейронами, необходимыми для решения задачи в целом, и в локальности обработки информации в каждом нейроне, зависящей только от поступающих на его вход сигналов от других связанных с ним нейронов. Благодаря этому обеспечивается локальный параллелизм в частном при глобальном решении задачи в целом.
|