Řešení úloh plánování cest s maximalizací užitku neuronovými sítěmi

Abstract

V této práci jsou studovány přístupy neuronových sítí (NN) pro problematiku orientace (OP) a jejich rozšíření na problematiku orientace s okolím (OPN). Zaměřujeme se na umělé neuronové sítě, konkrétně na Hopfieldovu neuronovou síť (HNN) a samoorganizační mapy (SOM) a navrhujeme dvě nové modifikace postavené na HNN a SOM tak, aby se řešily OPN a zlepšily výkonnost NN v rámci řešení problematiky orientace. První modifikace rozšiřuje existující diskrétní HNN pro OP s cílem řešit OPN. Modifikace je založena na nové reprezentaci dat a modifikované energetické funkci, která respektuje novou reprezentaci dat. Druhá modifikace je založena na řešení SOM, kde navrhujeme nový výběr neuronů a kombinaci neuronového učení bez učitele s metaheuristickým přístupem Variable Neighborhood Search (VNS).In this thesis, neural networks (NN) approaches for the Orienteering Problem (OP) and their extensions to the Orienteering Problem with Neighborhoods (OPN) are studied. We focus on the Hopfield Neural Network (HNN) and the Self-Organizing Map (SOM) and we propose two new modifications built on the HNN and the SOM to address the OPN and improve the performance of the NN approaches in solving orienteering problems. The first modification extends the existing discrete HNN solver for the OP to address the OPN, for which a new data representation is proposed together with the modification of the energy function to reflect the new data representation. The second modification is built on the SOM solver, where we propose the new selection of the winner neurons and a combination of the unsupervised learning with the combinatorial metaheuristic called the Variable Neighborhood Search (VNS).