مهدی سعادتمند طرزجان - دانشکده برق، دانشگاه صنعتی خواجه نصیرالدین طوسی
محمد اکبرزاده توتونچی - دانشکده مهندسی، دانشگاه فردوسی مشهد

چکیده : در این مقاله یک الگوریتم ژنتیکی جدید برای بهینه سازی پاسخ های شبکه عصبی CNN-TSP ارائه شده است . با اینکه CNN-TSP پاسخ هایی بسیار مناسب و قابل قبول بهTSPارائه می دهد، اما در مینیمم های محلی تابع انرژی اش بدام می افتد . الگوریتم ژنتیکی پیشنهادی با استفاده از ساختار سازنده شبکه و جایگزینی یک تصمیم گیرنده تکاملی بجای تصمیم گیرنده رقابتی آن توانسته است پاسخ های شبکه را بنحو چشمگیری بهبود بخشد . تا آنجا که طبق شبیه سازی های انجام شده، الگوریتم ژنتیکی پیشنهادی توانست ه است از میان ۲۲ مسأله ای که پاسخ بهینه آنها از کتابخانه TSPLIB استخراج شده بود، در ۷ مورد پاسخ هایی بهتر از پاسخ های کتابخانه، در ۹ مورد همان پاسخ ها و در ۶ مورد پاسخی بدتر از پاسخ کتابخانه ارائه دهد . همچنین ، پاسخ های الگوریتم ژنتیکی پیشنهادی برای ۷ مسأله استاندارد از کتابخانه TSPLIB با چند روش متداول دیگر مقایسه گردیده است . شبیه سازی ها بیانگر آن است که دقت روش پیشنهادی در مقایسه با دیگر روش ها حداقل ۵ / ۱ % بیشتر است . خصوصیاتی چون دقت بالا و سرعت همگرایی مناسب الگوری تم ژنتیکی پیشنهادی را به ابزاری مناسب برای کاربردهای خارج خط ) ) off-line مبدل کرده است .

مسأله فروشنده دوره گرد، شبکه عصبی CNN-TSP، الگوریتم های ژنتیکی