Обобщенная схема решения задач ортогонального раскроя-упаковки

Задачи по упаковке задач включают широкий круг вопросов. Общепринято заставить их получать информацию о выходе в виде макета вложенности - метод размещения небольших объектов в море [4].

Традиционно проблема упаковки решается с помощью последовательных алгоритмов. Однако из-за NP-полной проблемы класса до сих пор нет алгоритма (как правило), приводящего к возникновению экстремальных экстремумов, а также рекомендаций по использованию конкретного метода для конкретных задач класса режущая-упаковка.

нейронные сети считаются одним из наиболее эффективных инструментов поддержки принятия решений, в том числе для оптимизации. Приведенные примеры конкретных проблем нейронной сети позволяют объяснить взаимосвязь между переменными параметрами и критериями эффективности. Использование нейронной сети позволяет быстро сортировать большое количество опций, что повышает эффективность принятия решений.

Преимущества использования программного обеспечения для решения прикладных задач хорошо известны, но он также имеет ряд недостатков, в том числе:

• Больше времени для вычисления сложных проблем, особенно если вы хотите выполнить слишком много большого количества возможных решений, что характерно для NP-сложных задач дискретной оптимизации;

• сложность смены программ при получении дополнительной информации.

В то же время технология нейронных сетей обладает качествами, способными преодолеть эти недостатки, в частности:

• вместо программирования, обучения;

• Нет необходимости разрабатывать подробный алгоритм решения проблем, который особенно эффективен для задач, которые трудно или невозможно формализовать;

• скорость, возможность распараллеливания процесса расчета;

• возможность учиться на основе дополнительной информации и т. Д.

В связи с этим, наряду с использованием последовательных алгоритмов для решения проблем с упаковкой, рекомендуется использовать подходы к нейронной сети.

Основной основой для разработки гибридных программ должно быть использование лучших функций каждого компонента (обычной и нейронной сети) в одном комплексе.

Существует множество описаний и подходов использования нейронных сетей [1, 3, 5, 6], однако работы зачастую имеют фрагментарный характер и разрознены.

Для построения системы, решающей в целом задачу обработки данных с помощью нейронных сетей, необходимо определить ее границы, исходные данные и требуемый результат. С учетом выбора различных парадигм для решения прикладных задач предлагается обобщенная модель обработки данных с помощью нейронных сетей ее декомпозиция представлена на рис. 2.

Используя методологию системного анализа, часть проблемы необходима для выявления и формализации их и изложения решений (включая использование математических методов). Заявление о проблеме является основным описанием задачи обработки данных.

Практически все подходы к решению проблем с использованием нейронных сетей связаны с выбором и анализом определенных типов структур с хорошо изученными структурами и некоторыми сетями с проверенными свойствами устойчивости и конвергенции, так называемыми известными парадигмами нейронных сетей. Он упрощает и стандартизирует используемые процедуры, но не учитывает специфику конкретных задач. Поэтому при создании нейронной сети может возникнуть необходимость строить сеть почти каждый раз снова, в зависимости от специфики проблемы.

Любая проблема может быть сформулирована по-разному и в разных терминах. Выбор парадигмы нейронной сети подразумевает, что исходная постановка проблемы должна быть преобразована в описание нейронных сетей. На этом этапе использование нейронных сетей сводится к использованию известного изменения или существующих структур для описания определенного класса проблем, соответствующих этой проблеме.

Во время нейронных сетей для решения проблемы необходимо установить алгоритмы сетевой нейронной сети. Например, весовые коэффициенты определяются проблемой: с аналитической точки зрения, задачей нейронной интерпретации или с помощью специальных методов с использованием весовых коэффициентов процесса настройки [2].

На следующем этапе необходимо осуществить передачу всех параметров в сеть и ее запуск. Если в процессе решения задачи сеть не обучается, то следует переопределить параметры сети, т.е. вернуться на более ранние этапы, как правило, на этап формирования алгоритмов настройки параметров сети.

Процесс «Выбор нейросетевой парадигмы» можно разбить на подпроцессы. В зависимости от специфики задачи осуществляют выбор типа сети – сети Хопфилда, Кохонена, Гроссберга и т.д. Задание структуры сети предполагает определение числа слоев, количества нейронов в каждом слое, функции активации, функции ошибки. Эти параметры задают, как правило, исходя из личного опыта исследователя и могут корректироваться в дальнейшем при нейросетевом исследовании.

Предложено много алгоритмов обучения нейронных сетей. Подпроцесс «Выбор алгоритма обучения» предполагает как использование «классических» методов, так и разработку собственных.

Перед проведением нейросетевого исследования также необходимо определить – задать или сгенерировать начальные приближения параметров (весовые коэффициенты, шаг обучения, список параметров и т.п.).

Все операции по нейросетевому исследованию прикладных задач можно, согласно [1] условно разделить на три группы:

предварительные (считывание файлов данных, предобработка, представление данных);

основные (создание сети, чтение сети, обучение, моделирование);

вспомогательные операции (тестирование, упрощение структуры сети, определение значимости входных параметров, вербализация сети, сохранение проекта сети).

Читать работу полностью (оригинал работы):

Обобщенная схема решения задач ортогонального раскроя-упаковки