wykorzystanie pasywnych sieci neuronowych do rozwiązywania
Transkrypt
wykorzystanie pasywnych sieci neuronowych do rozwiązywania
Andrzej Łuksza, Wiesław Sieńko Akademia Morska w Gdyni WYKORZYSTANIE PASYWNYCH SIECI NEURONOWYCH DO ROZWIĄZYWANIA ZADAŃ OPTYMALIZACYJNYCH NA PRZYKŁADZIE PROBLEMU KOMIWOJAŻERA W pracy zaproponowano wykorzystanie pasywnych sieci neuronowych do rozwiązywania zagadnienia komiwojażera. Wykazano, że pasywna sieć neuronowa pozwala na rozdzielenie funkcji celu i ograniczeń między symetryczny i antysymetryczny składnik macierzy połączeń. Dzięki takiemu rozdzieleniu uzyskano sieć o dużo lepszych zdolnościach rozwiązywania zagadnienia komiwojażera od tradycyjnych sieci typu Hopfielda. Przedstawiono wyniki eksperymentów numerycznych, potwierdzających przydatność pasywnych sieci neuronowych do rozwiązywania zagadnienia komiwojażera. Słowa kluczowe: pasywne sieci neuronowe, optymalizacja, zagadnienie komiwojażera. WSTĘP Problem komiwojażera jest powszechnie wykorzystywany w celu porównania efektywności różnych metod optymalizacji. Rozwiązaniem problemu komiwojażera jest najkrótsza zamknięta trasa łącząca N miast, danymi są odległości między miastami. Problem komiwojażera jest problemem NP-trudnym. Liczba kombinacji tras wynosi (N – 1)! / 2 i obliczenie długości wszystkich tras w celu wybrania najkrótszej dla dużej liczby miast jest niemożliwe. Funkcją celu dla problemu komiwojażera jest minimalna długość trasy, a ograniczeniem – wymóg pojawienia się każdego z miast dokładnie jeden raz na trasie. Funkcję celu można zapisać w postaci N min E = min ∑ dij yij , (1) i , j =1 gdzie dij oznacza odległość między miastami o numerach i i j, zmienna yij = 1, gdy miasta i i j sąsiadują na trasie, w przeciwnym razie yij = 0. Ograniczenia dla funkcji celu (1) zapisuje się w postaci N ∑ yij = 1, i =1 j = 1,..., N , (2) 38 ZESZYTY NAUKOWE AKADEMII MORSKIEJ W GDYNI, nr 90, grudzień 2015 N ∑y j =1 ij = 1, i = 1,..., N , (3) y ij ∈ {0,1} , N – liczba miast. Ograniczenia (2) i (3) wymuszają, że każde z miast ma dokładnie dwóch sąsiadów na trasie. Współcześnie podstawowym narzędziem wykorzystywanym do rozwiązywania zadań optymalizacyjnych jest maszyna cyfrowa. Nadal prowadzi się też badania nad fizycznymi układami, które mogą rozwiązywać problemy optymalizacyjne, poszukując minimum energii, w którym zakodowane jest rozwiązanie. Przykładami takich układów są sieć neuronowa Hopfielda i komputer kwantowy D-Wave. Sieci Hopfielda nie znalazły dotychczas komercyjnych zastosowań, a opisane w literaturze przedmiotu symulacje komputerowe tych sieci dotyczą rozwiązań problemu komiwojażera dla kilkudziesięciu miast [1, 2, 3]. Komputer kwantowy rozwiązuje zagadnienie komiwojażera dla kilkunastu miast [8]. 1. PASYWNE SIECI NEURONOWE Pasywna sieć neuronowa jest układem dynamicznym, opisanym równaniem stanu [4] (4) ۰ , gdzie x = [x1,…,xN]T jest wektorem stanu, W jest macierzą wag połączeń sieci, θ(x) = [θ(x1), …, θ(xN)]T jest wektorem wyjściowym, θ(xi) jest funkcją aktywacji neuronu, IB jest wektorem stałych napięć wejściowych, d jest wektorem danych wejściowych, ω0 > 0 reprezentuje straty sieci. Funkcje aktywacji neuronów są pasywne i spełniają warunek μ1 ≤ θ(xi) / xi ≤ μ2; μ1, μ2 ∈ 0, ∞, w szczególności funkcje aktywacji mogą być funkcjami skokowymi Heaviside’a. Cechą szczególną pasywnych sieci neuronowych jest macierz wag połączeń W = Wa + ε Ws (5) złożona ze składnika antysymetrycznego Wa i symetrycznego Ws, ∈ . W prezentowanych w artykule zastosowaniach pasywna sieć neuronowa jest wykorzystywana jako układ autonomiczny opisany równaniem stanu ܛ ܉ ∆ ۰ , (6) gdzie element diagonalne γi ≥ 0 kompensują straty integratorów ω0 > 0, elementy Δi ≤ 0 spełniają warunek ் ∆ ۰ !, (7) 39 A. Łuksza, W. Sieńko Wykorzystanie pasywnych sieci neuronowych do rozwiązywania zadań ... wektor funkcji aktywacji neuronów θ(x) = [θ11, θ12, ..., θ1N, θ21, θ22, ..., θ2N, ..., θN1, θN2, ..., θNN, θN^2+1, θN^2+2, ..., θN^2+4N]T, gdzie θij są funkcjami skokowymi Heaviside’a. Równanie (6) w zależności od składników macierzy wag połączeń opisuje sieci różnych klas: • gdy ୟ i ω0 > 0, sieć jest stratna, • gdy ୟ i ω0 = 0, sieć jest bezstratna, • gdy ୟ , gdzie macierz Wa jest antysymetryczna i ortogonalna, ω0 = 0, sieć jest Hamiltonowska [7], • gdy ୟ , γi > 0, ω0 > 0, sieć jest bezstratna, • gdy ୱ , γi > 0, ω0 > 0, sieć jest siecią typu Hopfielda. W pasywnej sieci neuronowej, opisanej równaniem (6), możliwe jest rozdzielenie funkcji celu zapisanej w macierzy symetrycznej Ws o nieujemnych elementach (odległości ݆݅ " 0, # 0) i ograniczeń zapisanych w macierzy antysymetrycznej. Funkcja Hamiltona dla sieci danej wzorami (5), (6), (7) ma postać ௧ ௧ ௧ $ % ் ୱ & % ் & % ் &, (8) ௧ gdzie $ଵ % ் ୱ & jest energią wzajemnego oddziaływania neuronów, ௧ ௧ $ଶ % ் & % ் & jest energią własną neuronów. ௗா ௗ௧ ் Ponieważ $ଶ 0, dla " 0 i # 0, to # 0, co oznacza, że sieć jest asymptotycznie stabilna. Stąd min$ min ୱ , co oznacza, że osiągnięto minimum funkcji celu zapisanej w symetrycznej macierzy Ws. Z powyższych rozważań wynika, że pasywną sieć neuronową można wykorzystać do rozwiązywania zagadnień optymalizacyjnych pod warunkiem, że uda się zapisać funkcję celu w symetrycznej macierzy Ws, a ograniczenia zrealizować za pomocą połączeń antysymetrycznych zapisanych w macierzy antysymetrycznej Wa. Pasywna sieć neuronowa jest wtedy asymptotycznie stabilna, a jej stabilne punkty równowagi odpowiadają minimom funkcji celu. Stabilne punkty równowagi można znaleźć, realizując fizycznie układ opisany równaniem (6) lub rozwiązując numerycznie zagadnienia początkowe złożone z równania (6) i losowych warunków początkowych. 2. WYKORZYSTANIE SIECI NEURONOWYCH DO ROZWIĄZANIA ZAGADNIENIA KOMIWOJAŻERA Jako pierwsi wykorzystanie sieci neuronowej do rozwiązania zagadnienia komiwojażera zaproponowali Hopfield i Tank [3]. Zaproponowana przez nich sieć składa się z N grup po N neuronów, razem N2 neuronów. Każda grupa N neuronów reprezentuje jedno miasto. Numer neuronu w grupie oznacza pozycję miasta na trasie. 40 ZESSZYTY Y NAU UKOW WE AK KADEM MII M MORSK KIEJ W GDY YNI, nr 90, grudz ień 20 015 unkccja celu zaprropoonow wanaa przzez Hop H pfieldda i Tan nka m ma ppostać Fu E =∑∑ ∑∑ ∑ d pqp y ppi ( yq,i +1 + yq ,i −1 ), ((9) p q≠ p i gd dzie dpq – odleg o głośćć międz m zy m miastamii p i q, ypi = 11, gddy mias m sto p jesst naa i-ttej po ozycjji naa traasie, w pprzeeciw wnym m przypaadkuu ypii = 0. 0 M Macieerz połąączeeń, re ealizzująąca fun nkcjję ceelu (9), jestt sym metrryczzna i maa nieeujeemnee eleemeenty – oodleggłośc ci m między miiastaami są dod datnie. Pasy P ywnaa sieeć neuro n onow wa wykkorzzystu uje ffunkkcję celu lu (99), zapropponoowan ną przez p z Ho opfieeldaa i Taankaa, alee inaczeej reealizuuje ogra o aniczzenia. B rne wyjjściaa neeuroonów Binar w, repreezenntująące poppraw wną trasęę kkomiwoj ażerra, ożnaa pogrup pow wać w tab blicęę przzedsstaw wionąą na rysu unkuu 1. mo Rys s. 1. Tab blica aktyw wności neuro n onów w rep preze entujjącyc ch pooprawną trassę ko omiwojażżera dla 10 1 m miast Fig. F 1. Activitty ma ap of o outtput n neurrons for 110-ciities TSP P W taablicy wierszze repreezenntująą miaasta,, a kkolumnyy – ppozy ycjęę miaasta na ttrasiie. Kaażdee miiasto o mu usi w wystąpić dookłaadniee jedden raz na trassie, w w wiersszu reprrezeentujjącyym m miassto musi m i zaatem m wyystąp pić dokł d ładnnie jedenn akktyw wny neuuron (staan 11). Po odobbnie,, kaażda pozzycja na trrasiee mu usi bbyć obsadzzonaa przez dokkładnie jednno miiastoo, sttąd w każddej kollumnnie mussi bbyć dok kładnnie jede en aaktyywny y neeuroon. Po owsttaje więęc 2N N ggrup po N neurronó ów, w kktórych nalleży wyymussić dokłładnnie jed den aktyywny y neeuronn. Powyyższee og graniiczeenia możżna zzapiisać w ppostaaci N ∑ yij = 1, i =1 j = 1,..., N , (10) 41 A. Łuksza a, W. Sieńko o Wyk korzys ystanie e pasyw wnych h sieci neurronow wych d do roz związyywaniia zadań ... N ∑ yijj = 1, i = 1,..., N . (11) j =1 Wzory W y (100) i (11)) są iiden ntyczzne ze wzor w ramii (2)) i (3 3), alle m mają innąą intterprretaccję. H field Hopf d i Tank reallizow walii ogrranicczennia zza po omoocą ffunk kcji kkaryy, w pasyywnnej sieeci neur n rono owej oggraniiczennia reallizuje siię poprzzez doddanie e doo sieeci neur n ronóów ko ontroolnycch. A Aby mussić ddokłładnie j ednąą jeedynnkę w grup g pie nneuronów w, nnale eży doddać wym do o niej ej dw wa neuro ony kkontrolnne. N ryysun Na nku 2 pprzed dstaw wionno map m ę akktyw wnośści nneurronów ssieci roz zszerrzonnej o neur n ronyy kon ntrollne. Rys s. 2. Tab blica aktyw wności neuro n onów w rep preze entujjącyc ch pooprawną trassę ko omiwojażżera d dla 10 0 mia ast, z dodany ymi n neuronam mi koontro olnym m Fiig. 2.. Acttivity map p of outp o ut ne euron ns fo or 10 0-citie es TSP, T with control nneurrons addeed W sttaniee ró ównoowaagi, reprrezeentujjącym ym ppoprrawnne rrozw wiązaaniee zagadnniennia omiw wojaażeraa, wszys w stkiee neeuronny kont k trolnne sąą ak ktyw wne. Pary neeuroonów w koontroolko ny ych połą p ączon ne sąą tyllko z neeuronnam mi, naależąącym mi do d koontrrolow waneej grrupy yim między sobą. Jedden neurron z pary p y koontro olujee m minim maln ną liiczbbę ak ktyw wnycch neur n ronóów w gruupie, dru ugi – m maksy ymaalną liczzbę akty a ywnyych neuuronóów w gr grupiie. Gdy G ogrranicczennia ssą spełn s nionne (w w grupiie jeest dokł d ładnnie jeden j n akktyw wny neuuron n), to obba neeuronny kkonttroln ne sąą ak ktyw wne i niee od ddziiałują an ni nna grrupę ę, anni nna ża adnee innne neeuronny. P Połąączeenia pary y neeuronnów w kon ntroolnycch h1 i h 2 z neu uronaami k1, k2, …, kN naależąącym mi do o gru upy zap pisanne sąą w mac m cierzzy Wh i wek w ktorzze Ih. 42 ZESZYTY NAUKOWE AKADEMII MORSKIEJ W GDYNI, nr 90, grudzień 2015 k1 ⎡ ⎢ ⎢ Wh = ⎢ ⎢ ⎢ ⎢ w0 ⎢ ⎢⎣− w0 k2 ... kN w0 ... w0 − w0 ... − w0 h1 − w0 h2 w0 ⎤ k1 w0 ⎥⎥ k 2 − w0 ... ...⎥ ... ⎥ w0 ⎥ k N − w0 0 − w1 ⎥ h1 ⎥ w1 − Δ ⎥⎦ h2 ⎡ 0 ⎤ ⎢ 0 ⎥ ⎥ ⎢ I h = ⎢ ... ⎥ ⎥ ⎢ ⎢ 0 ⎥ ⎢ I1 ⎥ ⎥ ⎢ ⎢⎣− I 2 + Δ ⎥⎦ (12) Neuron h1 kontroluje minimalną liczbę neuronów w grupie i powinien być aktywny, gdy liczba aktywnych neuronów w grupie jest większa równa 1 i nieaktywny w przeciwnym przypadku. Powyższe zachodzi, gdy elementy macierzy Wh i wektora Ih spełniają warunek –w0 + w1 < I1 < w1. (13) Dla w0 = 1 i w1 = 2 warunek (13) przyjmuje postać 1 < I1 < 2 i był sprawdzony doświadczalnie dla 1 < I1 < 1.25. Neuron h2 kontroluje maksymalną liczbę aktywnych neuronów w grupie i powinien być aktywny, gdy liczba aktywnych neuronów w grupie jest mniejsza od 1 i nieaktywny w przeciwnym przypadku. Powyższe zachodzi, gdy elementy macierzy Wh i wektora Ih spełniają warunek. – w0 + w1 > I2 > – 2 w0 + w1 + Δ. (14) Dla w0 = 1 i w1 = 2 warunek (14) przyjmuje postać 1 > I2 > Δ i był sprawdzony doświadczalnie dla 1 > I2 > 0,75; Δ = 0,75. Warunki (13) i (14) wskazują na dużą tolerancję wymuszeń stałych I1 i I2 oraz wag połączeń wymuszających spełnienie ograniczeń (10) i (11). Elementy diagonalne – Δ, które nie są konieczne do spełnienia ograniczeń, zostały wprowadzone w celu stabilizacji sieci. Rozwiązanie zagadnienia komiwojażera dla N miast wymaga użycia ଶ 4 neuronów, wymiar macierzy połączeń dimW = [( ଶ 4)× ( ଶ 4)]. 3. WYNIKI EKSPERYMENTÓW KOMPUTEROWYCH Pasywna sieć neuronowa może zostać zrealizowana jako układ elektryczny, np. scalony układ wielkiej skali integracji. Fizyczny układ, startując z dowolnego stanu początkowego, powinien przejść do jednego z asymptotycznie stabilnych stanów równowagi, które reprezentują poprawne trasy komiwojażera. Proces ten można modelować, rozwiązując zagadnienie początkowe złożone z równania stanu A. Łuksza, W. Sieńko Wykorzystanie pasywnych sieci neuronowych do rozwiązywania zadań ... 43 (6) i warunku początkowego. W opisanych symulacjach komputerowych przyjęto równanie stanu z następującymi wartościami parametrów 0,01 ୟ ୱ ∆ 10 ۰ , (15) gdzie ∆ 5,25; 7;ଵ 14;ଵ ଶ 7. Dodatnie elementy diagonalne kompensują straty sieci i ujemne wartości elementów macierzy ୱ . Od wartości elementów diagonalnych zależy jakość uzyskiwanych rozwiązań, wyrażona w średniej długości znajdowanych tras. Dla każdego problemu optymalna wartość elementów diagonalnych może być różna, zbyt małe wartości mogą spowodować, że sieć nie będzie miała poprawnych stabilnych stanów równowagi, zbyt duże wartości zaś zwiększają długość znajdowanych tras. W tej sytuacji najlepszym rozwiązaniem okazało się zwiększanie wartości elementów diagonalnych, począwszy od ujemnej wartości początkowej, co zapewnia, że elementy diagonalne osiągną wymaganą wartość, a stan stabilny zostanie osiągnięty przy możliwie najmniejszych ich wartościach [5]. Czas trwania analizy przy rosnących elementach diagonalnych wydłuża się w porównaniu z czasem analizy przy stałych elementach diagonalnych, ale kosztem wydłużenia analizy uzyskuje się krótsze trasy. Podobne rozwiązanie z rosnącymi elementami diagonalnych zastosowano też w sieciach Hopfielda [1]. W celu oceny przydatności pasywnych sieci neuronowych do rozwiązywania zagadnienia komiwojażera wykorzystano przykłady z biblioteki TSPLIB [6]. Biblioteka, opublikowana przez Uniwersytet w Heidelbergu, jest punktem odniesienia dla badań nad sposobami rozwiązywania zagadnienia komiwojażera. Biblioteka zawiera sporą liczbę przykładów dla różnej liczby miast ze znanymi optymalnymi rozwiązaniami. Jako pierwszy zbadano stosunkowo prosty problem dla 52 miast oznaczony jako Berlin52. Na rysunku 3 przedstawiono mapę miast z zaznaczoną najkrótszą trasą, a na rysunku 4 – histogram długości tras znalezionych przez pasywną sieć neuronową. Rys. 3. Mapa miast Berlin52 z optymalną trasą o długości euklidesowej = 7542 Fig. 3. Berlin52 cities map with the optimal TSP path, Euclidian length = 7542 44 ZESZYTY NAUKOWE AKADEMII MORSKIEJ W GDYNI, nr 90, grudzień 2015 Rys. 4. Histogram długości tras dla mapy Berlin52, średnia długość trasy = 8132, trasę optymalną znaleziono dwa razy Fig. 4. Histogram of path lengths found by the neural network for Berlin52 map: average length = 8132, the optimal path was found twice Jako drugi zbadano problem dla 150 miast oznaczony jako ch150. Na rysunku 5 przedstawiono mapę miast z zaznaczoną najkrótszą trasą, a na rysunku 6 – histogram długości tras znalezionych przez pasywną sieć neuronową. Rys. 5. Mapa miast ch150 z optymalną trasą o długości 6528 Fig. 5. Ch150 cities map with the optimal TSP path, Euclidian length = 6528 A. Łuksza, W. Sieńko Wykorzystanie pasywnych sieci neuronowych do rozwiązywania zadań ... 45 Rys. 6. Histogram długości tras dla mapy ch150; średnia długość trasy = 7215, odchylenie standardowe = 208 Fig. 6. Histogram of path lengths found by the neural network for ch150 map: average length = 7215, standard deviation = 208 Najkrótsza trasa znaleziona przez pasywną sieć neuronową, przedstawiona na rysunku 7, jest o 2,3% dłuższa od optymalnej. Rys. 7. Najkrótsza trasa dla mapy ch150 znaleziona przez pasywną sieć neuronową długości = 6679, trasa jest dłuższa od optymalnej o 2,3% Fig. 7. The shortest path for ch150 map found by passive neural network, Euclidian length = 6679, 2.3% longer then optimal Trasa z rysunku 7 krzyżuje się, co jest jej istotnym brakiem, który można usunąć, stosując hybrydowe metody poprawy tras. 46 ZESZYTY NAUKOWE AKADEMII MORSKIEJ W GDYNI, nr 90, grudzień 2015 4. HYBRYDYZACJA Hybrydyzacja zagadnienia optymalizacyjnego polega na poszukiwaniu rozwiązania jednocześnie kilkoma metodami, które zastosowane osobno dają gorszy wynik. Na przykład trasy znalezione przez pasywną sieć neuronową można poprawiać metodami przeszukiwań, poszukując lepszego rozwiązania w sąsiedztwie dotychczasowego poprzez przestawienia miast. Do poprawy rozwiązań uzyskanych przez pasywną sieć neuronową zastosowano: • odwrócenie kolejności fragmentu trasy między miastami i i j (usuwa skrzyżowania ścieżki), • zamianę miejscami dwóch miast, • przesunięcie jednego miasta o k pozycji na trasie, • przesunięcie 2, 3, 4 i 5 sąsiednich miast o k pozycji na trasie z odwróceniem kolejności i bez. Liczba kombinacji każdego z powyższych przeszukiwań jest mniejsza od N2. Każde z wymienionych przestawień stosowane wielokrotnie sprowadza trasę do globalnego lub lokalnego minimum. Przestawienia mogą sprowadzać trasę do różnych minimów lokalnych, dlatego stosowano je naprzemiennie, dopóki żadne z nich nie dawało już poprawy trasy. Na rysunku 8 przedstawiono poprawioną trasę z rysunku 7. Rys. 8. Poprawiona trasa z rysunku 7 o długości 6585, trasa jest dłuższa od optymalnej o 0,7% Fig. 8. Improved path from fig. 7, Euclidian length = 6585, 0.7% longer then optimal A. Łuksza, W. Sieńko Wykorzystanie pasywnych sieci neuronowych do rozwiązywania zadań ... 47 Dzięki poprawkom udało się zmniejszyć średnią długość znajdowanych tras o 6% i przybliżyć je do rozwiązania optymalnego – najkrótsza poprawiona trasa jest dłuższa od optymalnej o 0,3%. Na rysunku 9 przedstawiono histogram poprawionych tras. Rys. 9. Histogram długości tras dla mapy ch150 poprawionych metodami przeszukiwań, średnia długość trasy = 6788, odchylenie standardowe = 97, długość najkrótszej trasy = 6549 i jest o 0,3% dłuższa od optymalnej Fig. 9. Histogram of path lengths for ch150 map, improved by the search algorithm: average length = 6788, standard deviation = 97, the shortest path length = 6549, 0.3% longer then optimal Wykorzystana metoda przeszukiwań, startując z losowych tras komiwojażera, znajduje rozwiązania o średniej długości = 6810, poprawione tą samą metodą trasy znalezione przez pasywną sieć neuronową są krótsze o 0,32%. PODSUMOWANIE Przeprowadzone doświadczenia komputerowe potwierdziły zdolność pasywnych sieci neuronowych do rozwiązywania zagadnień optymalizacji kombinatorycznej, takich jak problem komiwojażera. Budowa pasywnych sieci neuronowych pozwala na rozdzielenie funkcji celu realizowanej przez symetryczne połączenia i ograniczeń realizowanych przez połączenia antysymetryczne z neuronami kontrolnymi. Dzięki temu realizacja ograniczeń nie wpływa na funkcję celu i wektor stanu sieci zmierza do stabilnych punktów równowagi, reprezentujących poprawne trasy komiwojażera. Testy wykazały, że pasywna sieć neuronowa znajduje w miarę krótkie trasy komiwojażera dla problemów do 300 miast. Dla 300 miast sieć składa się z 91 200 neuronów, jej macierz połączeń ma 8,31744e+9 elementów, z czego tylko 5,418e+7 jest niezerowych. Wykorzystując techniki macierzy rzadkich i binarność wektora wyjściowego sieci, udało się stworzyć algorytm całkowania znajdujący stan stabilny sieci (jedną trasę komiwojażera) w „rozsądnym czasie”. 48 ZESZYTY NAUKOWE AKADEMII MORSKIEJ W GDYNI, nr 90, grudzień 2015 Na standardowym komputerze PC poszukiwanie stanu stabilnego dla 100 miast trwa około minuty, dla 300 miast – kilkanaście minut. Pasywna sieć neuronowa jest modelem fizycznej sieci, którą można zrealizować układowo. Fizyczna sieć powinna znajdować rozwiązanie problemu komiwojażera w czasie krótszym od algorytmu numerycznego. Dotychczas pasywne sieci neuronowe, jak i inne sieci typu Hopfielda, nie doczekały się komercyjnych układowych realizacji. Symulacje komputerowe wykazały, że w porównaniu z innymi znanymi z literatury przedmiotu sieciami typu Hopfielda [1, 2, 3], pasywna sieć neuronowa znajduje krótsze trasy i może rozwiązywać zagadnienie komiwojażera dla większej liczby miast. Jako numeryczny algorytm poszukiwania trasy komiwojażera, poprzez rozwiązanie zagadnienia początkowego, pasywna sieć neuronowa ustępuje innym algorytmom pod względem czasu obliczeń. Poszukiwanie jednej trasy wyżej opisanym algorytmem przeszukiwań dla przykładu ch150 trwa na typowym pececie 90 ms, trasa optymalna znajdowana jest średnio co 5 minut. Rozwiązanie zagadnienia początkowego dla przykładu ch150 trwa na typowym pececie około 5 minut. LITERATURA 1. Abe S., Gee A.H., Global convergence of the Hopfield neural network with nonzero diagonal elements, IEEE Tr. on CAS, 1995, vol. 42, no. 1. 2. Gee A.H., Prager R.W., Limitations of neural networks for solving traveling salesman problems, IEEE Tr. on Neural Networks, 1995, vol. 6, no. 1. 3. Hopfield J.J., Tank D.W., Neural computation of decisions in optimization problems, Biological Cybernatics, 1985, vol. 52. 4. Łuksza A., Citko W., Sieńko W., Universality of passive neural networks, Proc. of First International Conference on Computing Anticipatory Systems, Liege, Belgium, AIP Conference Proceedings, 1997, vol. 437, s. 595–605. 5. Łuksza A., Sieńko W., Using passive neural networks to solve TSP, [w:] 2015 IEEE 2nd International Conference on Cybernetics (CYBCONF), red. P. Jędrzejowicz, N.T. Nguyen, H. Tzung-Pei, I. Czarnowski, Gdynia 2015, s. 79–84. 6. Reinelt G., TSPLIB – A traveling salesman problem library, ORSA Journal on Computing, 1991, vol. 3, no. 4, s. 376–384. 7. Sieńko W., Citko W., On very large scale Hamiltonian neural nets, 6th International Conference on Neural Networks and Soft Computing, Zakopane, Poland, 2002, Neural Networks and Soft Computing Book Series: Advanced in Soft Commputing, 2003, s. 268–273. 8. Warren R.H., Numeric experiments on the commercial quantum computer, Notices of the AMS, 2013, vol. 60, no. 11. A. Łuksza, W. Sieńko Wykorzystanie pasywnych sieci neuronowych do rozwiązywania zadań ... 49 THE USAGE OF PASSIVE NEURAL NETWORKS FOR SOLVING OPTIMIZATION PROBLEMS, WITH THE EXAMPLE OF THE TSP Summary In the paper it was suggested to use passive neuron networks to solve the travelling salesman problem. It was shown that passive neural network allows to split the objective function and the constraints between symmetric and antisymmetric components of the weight matrix. Thanks to such a separation a network with far better travelling salesman problem solving capability, than traditional Hopfield networks was obtained. In the paper were presented the results of numerical experiments confirming the usefulness of passive neural networks for solving the travelling salesman problem. Keywords: Travelling Salesman Problem, Combinatorial Optimization, Passive Neural Networks.