uma nova abordagem na resolução do problema do caixeiro viajante
uma nova abordagem na resolução do problema do caixeiro viajante
uma nova abordagem na resolução do problema do caixeiro viajante
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
..., x1n, x21, x22, ..., x2n, ..., xn1, xn2, ..., xnn). O vetor b contém o número 1 em todas as posições,<br />
e a matriz A tem a seguinte forma:<br />
⎡ I<br />
A = ⎢<br />
⎣B<br />
1<br />
I<br />
B<br />
2<br />
... I ⎤<br />
2<br />
2n×<br />
n<br />
∈ ℜ<br />
... B<br />
⎥<br />
n<br />
onde I é a matriz identidade, de ordem n × n, e cada matriz Bi, para i = 1, 2, ..., n, contém<br />
zeros, com exceção da i-ésima linha que contém o número 1 em todas as posições. A figura<br />
3.9 mostra a representação da estrutura da Rede Neural de Wang.<br />
FIGURA 3.9 – REPRESENTAÇÃO DA ESTRUTURA DA REDE NEURAL RECORRENTE DE WANG<br />
A Rede Neural Recorrente proposta por Wang (WANG, 1992, WANG, 1997; HUNG;<br />
WANG, 2003) é caracterizada pela seguinte equação diferencial:<br />
du n<br />
n<br />
ij ( t)<br />
−<br />
= −η<br />
∑ xik<br />
( t)<br />
−η<br />
∑ xlj<br />
( t)<br />
+ ηθ<br />
ij − λ cije<br />
dt<br />
k=<br />
1 l=<br />
1<br />
⎦<br />
t<br />
τ<br />
, (3.3.4)<br />
xij = g(uij(t)), (3.3.5)<br />
onde o esta<strong>do</strong> de equilíbrio desta Rede Neural é <strong>uma</strong> solução para o <strong>problema</strong> da Desig<strong>na</strong>ção.<br />
O vetor limiar é defini<strong>do</strong> como θ = A T b = (2, 2, ..., 2) ∈<br />
2<br />
× 1<br />
ℜ n<br />
. Os valores <strong>do</strong>s elementos <strong>do</strong><br />
vetor x são determi<strong>na</strong><strong>do</strong>s por g(uij(t)) que pode ser a função sigmoidal, ou a função limiar em<br />
rampa (FAUSETT, 1994). Neste trabalho, optou-se a utilização da função sigmoidal para a<br />
determi<strong>na</strong>ção <strong>do</strong> vetor x.<br />
x11<br />
x21<br />
xn1<br />
x12<br />
x22<br />
xn2<br />
x1n<br />
x2n<br />
xnn