Академический Документы
Профессиональный Документы
Культура Документы
RESUMEN
Los mapas de Kohonen o SOFM (Self-Organizing Feature Maps) fueron desarrollados en la
dcada de los 80 por el fsico finlands Teuvo Kohonen. En este trabajo se parte del algoritmo
bsico de Kohonen para intentar resolver el TSP. Se estudiarn diferentes mejoras sobre la red de
Kohonen, con el objetivo de obtener una red que de buenos resultados para problemas TSP
Eucldeos.
La Red Neuronal Artificial diseada se simular mediante software en un ordenador tipo PC.
[w
m
d(wij ,x) = (
k =1
ij k
xk
(1)
Funcin rectangular:
0 si | i g |> R( t )
h(|i-g|, t) =
1 si | i g | R ( t )
(2)
Funcin pipa:
| i g | R(t )
R(t ) <| i g | R(t ) + x
h(|i-g|, t) = a
0
(3)
en otro caso
Funcin gaussiana:
h(|i-g|, t) = exp (-
| i g |2
)
2R ( t ) 2
(4)
R ( t )
h(|i-g|, t) =
|i g |
R (t)
(5)
Funcin triangular:
0
si | i g |> R( t )
R (t) | i g |
h(|i-g|, t) =
si | i g | R ( t )
R (t )
(6)
|ig|
R (t)
(7)
(8)
(t) = 0 + ( f - 0 )
(9)
(10)
tR
CAPA DE
COMPETICIN
CAPA DE
ENTRADA
ENTRADA A LA RED
Figura 1. Red
4. Mtrica de distancia
Se pueden aplicar varias mtricas para determinar la neurona ganadora para una ciudad.
Se calcular la distancia entre las coordenadas de la ciudad y los pesos de todas las
neuronas, tomando como ganadora la que de un valor menor.
La medida de distancia considerada en este trabajo es la Eucldea, indicada en la
expresin [42].
La distancia entre la ciudad ck =(xk , yk ) y la neurona j, cuyo vector de pesos es wj=(wj 1,
wj 2), ser:
d(ck , wj ) =
( x k w j1 ) 2 + ( y k w j 2 ) 2
(11)
para j=1, 2
para j=1, 2
Y
85
88
73
70
55
53
60
68
74
83
79
X
72
37
6
3
21
33
4
3
27
52
57
Y
91
94
106
97
82
67
66
42
33
41
59
X
58
88
99
95
89
83
85
104
112
112
113
Y
66
65
67
55
55
38
25
35
37
24
13
X
125
135
147
148
155
157
158
172
174
Y
30
32
18
36
45
54
61
82
87
105
90
75
60
45
30
15
0
0
25
50
75
100
125
150
175
Figura2. Ciudades
Los resultados obtenidos se recogen en la tablas siguientes:
Triangular
Rectangular
725,724566
711,791350
723,993108
778,300306
758,759690
728,965415
732,508706
753,771108
717,487995
727,745685
733,612144
721,439205
735,343815
746,464508
748,870024
721,439205
732,875910
723,993108
749,744102
708,241527
Radio Error
Inicial Min
22 0,000011
22 0,000000
22 0,000000
22 0,000000
22 0,000000
11 0,000053
11 0,000000
11 0,000017
11 0,000000
11 0,000007
22 0,000000
22 0,000000
22 0,000000
22 0,000030
22 0,000032
11 0,000057
11 0,000019
11 0,000000
11 0,000034
11 0,000004
Error
Max
0,000901
0,000992
0,000959
0,000931
0,000919
0,000937
0,000914
0,000933
0,000948
0,000943
0,000964
0,000903
0,000812
0,000995
0,000928
0,000996
0,000917
0,000860
0,000935
0,000978
Error
P
0,000236
0,000038
0,000040
0,000042
0,000036
0,000294
0,000038
0,000224
0,000029
0,000142
0,000034
0,000029
0,000034
0,000393
0,000333
0,000375
0,000238
0,000037
0,000294
0,000303
Error
T
0,119047
0,166667
0,166667
0,333333
0,285714
0,166667
0,142857
0,238095
0,166666
0,119048
0,166667
0,190476
0,214286
0,214286
0,238095
0,190476
0,166667
0,166667
0,142857
0,166667
Producto
0,210282
0,233147
0,325584
0,190748
0,292503
0,136424
0,225206
0,211373
0,323246
0,248285
0,197098
0,325436
0,261778
0,191102
0,346713
0,317495
0,287789
0,188322
0,282076
0,188241
Pipa
Exponencial cncava
0:01:24
0:00:18
0:00:17
0:00:18
0:00:19
0:00:18
0:00:18
0:00:18
0:00:17
0:00:18
0:01:07
0:01:53
0:01:45
0:00:46
0:01:16
0:00:31
0:00:23
0:00:26
0:00:25
0:00:31
706,038348
729,781283
709,916598
757,377352
761,839565
763,850864
730,495720
753,187506
739,657685
741,622646
792,599967
800,440260
783,274201
730,559156
765,521967
732,250510
779,086614
750,856612
733,612144
738,365577
22
22
22
22
22
11
11
11
11
11
22
22
22
22
22
11
11
11
11
11
0,000000
0,000056
0,000040
0,000031
0,000031
0,000054
0,000039
0,000032
0,000020
0,000014
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000003
0,000000
0,000000
0,000000
Gaussiana
Radio
Error
Vecindad Tiempo Distancia Inicia
Min
l
0:00:40 723,993108
22 0,000000
0:00:29 731,516740
22 0,000000
0:00:26 787,378448
22 0,000002
0:00:36 747,362011
22 0,000000
0:01:15 727,115865
22 0,000000
0:00:20 730,780506
11 0,000039
0:00:34 748,181260
11 0,000000
0:01:08 758,113587
11 0,000000
0:00:21 713,818159
11 0,000012
0:00:45 758,113587
11 0,000000
MNIMO 0:00:14 706,038348
MXIMO 0:02:18 800,440260
0:00:39 742,155586
MEDIA
0,000921
0,000994
0,000932
0,000992
0,000967
0,000915
0,000974
0,000971
0,000932
0,000937
0,000981
0,000918
0,000942
0,000909
0,000984
0,000929
0,000952
0,000908
0,000949
0,000907
0,000029
0,000367
0,000339
0,000339
0,000299
0,000238
0,000314
0,000286
0,000251
0,000273
0,000039
0,000033
0,000038
0,000038
0,000039
0,000040
0,000063
0,000039
0,000041
0,000039
Error
Max
Error
P
0,000978
0,000975
0,000958
0,000966
0,000951
0,000977
0,000992
0,000936
0,000969
0,000995
0,000032
0,000042
0,000044
0,000039
0,000032
0,000280
0,000041
0,000040
0,000278
0,000043
0,238095
0,166667
0,214286
0,166667
0,309524
0,261905
0,190476
0,190476
0,238095
0,214286
0,214286
0,214286
0,261905
0,309524
0,261905
0,214286
0,285714
0,309524
0,166667
0,238095
0,236169
0,243442
0,240851
0,245450
0,328014
0,198844
0,159651
0,174357
0,217842
0,165786
0,175863
0,165309
0,205045
0,188605
0,204808
0,222493
0,177053
0,171298
0,186132
0,221432
Error
Producto
T
0,166667
0,190476
0,309524
0,238095
0,238095
0,190476
0,238095
0,166667
0,166667
0,166667
0,244862
0,198539
0,168306
0,195903
0,325101
0,238536
0,326708
0,305518
0,210546
0,218111
La solucin ptima para este problema dada en TSPLIB tiene longitud 699.
La mejor solucin encontrada en este estudio es de longitud 706,04, un 1% mayor que
la ptima.
9
6. Conclusiones
Los mapas de rasgos autoorganizativos propuestos por Teuvo Kohonen se pueden
aplicar a la resolucin del Problema del Viajante de Comercio. La Red contar con dos
entradas y tantas salidas como ciudades incluya el problema. Las coordenadas de las
ciudades constituyen el conjunto de patrones de entrenamiento de la Red. Dichos
patrones se presentan de forma iterativa a la entrada de la red, para que sta ajuste sus
pesos de forma que cada neurona tienda a aproximarse a una ciudad. Cuando el error de
ajuste entre cada par neurona-ciudad alcance un mnimo establecido, la red habr
encontrado un camino entre las ciudades. Para poder definir un camino cerrado, se
considera que las neuronas de la capa de salida de la Red forman un anillo. El camino
vendr definido por las ciudades asociadas a las sucesivas neuronas de la capa de salida,
siguiendo el orden en que estas estn colocadas en dicha capa.
En muchas ocasiones aplicando el algoritmo bsico de entrenamiento de la Red
Neuronal se puede alcanzar una solucin al problema. Sin embargo, en otros casos las
neuronas no se ajustan a las diferentes ciudades del problema, lo que impide alcanzar un
camino vlido. Para evitar estos problemas, se propone modificar el algoritmo de
Kohonen de forma que:
a) El nmero de neuronas de la capa de salida pueda aumentar o disminuir durante
el entrenamiento
b) Cuando una neurona no gana durante varias iteraciones de entrenamiento, se
elimina del mapa
c) Cuando una neurona gana para varias ciudades, se aade a su lado otra neurona
Se observa que al aplicar el algoritmo desarrollado se encuentra una solucin factible
para todos los problemas. En algunos casos el resultado obtenido es el ptimo, pero
en otros solamente se aproxima. En cualquier caso, el resultado obtenido es un buen
punto de partida para aplicar otro mtodo de bsqueda del camino ms corto.
En algunos problemas se requiere mucho tiempo para completar el ajuste nicamente
porque uno o dos puntos no se ajustan. Si se observa dicha situacin, se puede detener
el entrenamiento, teniendo en cuenta que esa o esas ciudades no estn ajustadas, o
proseguir hasta que se produzca el ajuste. Se ha observado que en algunos problemas la
segunda opcin puede requerir muchas iteraciones, pero siempre se alcanza una
solucin.
10
Referecias
Cottrell, M.; Girard, B.; Girard, Y.; Muller, C.; Rousset, P. (1995) Daily Electrical Power Curves:
Classification And Forecasting Using A Kohonen Map, From Natural To Artificial Neural Computation.
En J. Mira, F. Sandoval (Eds.), Proc. IWANN'95, Lecture Notes in Computer Science, vol. 930, Springer,
Berlin, pp.1107-1113.
Cottrell, M.; Girard, B.; Rousset, P. (1998) Forecasting Of Curves Using A Kohonen Classification. J.
Forecasting.
Cottrell, M.; Fort, J.C.; Pags, G. (1998) Theorical Aspects Of The SOM Algorithm. Neurocomputing
21, pp.119-138.
Erwin, E.; Obermayer, K.; Schulten, K. (1992) Self-Organizing Maps: Stationary States, Metastability
And Convergence Rate. Biological Cybernetics 67, pp.35-45.
Favata, F; Walker, R. (1991) A Study Of The Application Of Kohonen-Type Neural Networks To The
Traveling Salesman Problem. Biological Cybernetics 64, 6, pp.463-468.
Fort, J.C.; Pags, G. (1996) Quantization vs Organization In The Kohonen SOM. M. Verleysen (Ed.),
Proceedings ESANN'96, Editions D Facto, Bruges, pp.85-89.
Fort, J.C. (1988) Solving A Combinatorial Problem Via Self-Organizing Process: An Application Of
The Kohonen Algorithm To The Travelling Salesman Problem. Biological Cybernetics 59, 1, pp.33-40.
Fritzke, B.; Wilke, P. (1991) FLEXMAP: A Neural Network For The Travelling Salesman Problem
With Linear Time And Space Complexity. Proceedings of the International Joint Conference on Neural
Networks, Singapore pp.929-934. IEEE Service Center.
Kohonen, T.; Makisara, M.; Saramaki, T. (1984) Phonotopic Maps-Insightful Representation Of
Phonological Features For Speech Recognition. Proceedings of the 7th IEEE International Conference
on Pattern Recognition. DUNNO.
] Kohonen, T.; Hynninen, J.; Kangas, J.; Laaksonen, J. (1996) SOM_PAK: The Self-Organizing Map
Program Package. Technical Report A 31, Helsinki University of Technology, Laboratory of Computer
and Information Science, Espoo, Finland.
Kohonen, T.; Hynninen, J.; Kangas, J.; Laaksonen, J.; Torkkola, K. (1996) LVQ_PAK: The Learning
Vector Quantization Program Package. Report A30, Helsinki University of Technology. Faculty of
Information Technology.
Kohonen, T.; Somervuo, P. (1997) Self-Organizing Maps Of Strings With Application To Speech
Recognition. T. Kohonen (eds.), Proceedings WSOM97, Workshop on Self-Organizing Maps, Helsinki
University of Technology, Laboratory of Computer and Information Science, Finland, pp.2-7.
Kohonen, T. (1977) Associative Memory: A System Theoretical Approach. Springer-Verlag, Berln.
Kohonen, T. (1982) Analysis Of A Simple Self-organizing Process. Biological Cybernetics 43, 1,
pp.135-140.
Kohonen, T. (1982) Self-organized Formation Of Topologically Correct Feature Maps. Biological
Cybernetics 43, pp.59-69.
Kohonen, T. (1984) Self-Organization And Associative Memory. Springer-Verlag, Berln. (3 edicin)
Kohonen, T. (1988) An Introduction To Neural Computing. Neural Networks 1, 1.
Kohonen, T. (1988) Self-Organization And Associative Memory. Second Edition, Springer-Verlag,
New York.
Kohonen, T. (1988) Statistical Pattern Recognition with Neural Networks: Benchmark Studies.
Proceedings of the Second Annual IEEE International Conference on Neural Networks, Vol. 1.
Kohonen, T. (1988) The <<Neural>> Phonetic Typewriter. Computer 21, 3, pp.11-22.
Kohonen, T. (1989) Speech Recognition Based On Topology Preserving Neural Maps. En I.
Aleksander (Ed.), Neural Computation, Kogan Page, London.
Kohonen, T. (1989) Self-Organization And Associative Memory. Springer-Verlag, Berlin-HeidelbergNew York-Tokio, 3er edition.
Kohonen, T. (1990) The Self-Organizing Map. Proceedings IEEE, vol. 78, n 9, pp.1464-1480.
Kohonen, T. (1991) Self-Organizing Maps: Optimization Approaches. T. Kohonen et al. (Eds.),
Artificial Neural Networks, vol. II, North-Holland, Amsterdam, pp.981-990.
11
12