The work suggests a modified three-layer neural network with architecture that has only the diagonal synaptic connections between neurons; as a result we obtain the transformed Hecht-Nielsen theorem. This architecture of a three-layer neural network (m = 2n + 1 is the number of neurons in the hidden layer of the neural network, n is the number of input signals) allows us to approximate the function of n variables, with the given accuracy ε > 0, using one aggregation operation, whereas a three-layer neural network that has both diagonal and non-diagonal synaptic connections between neurons approximates the function of n variables by means of two aggregation operations. In addition, the matrix diagonalization of the synaptic connections leads to a decrease of computing resources and reduces the time of adjustment of the weight coefficients during the training of a neural network.
Об'єктом даного дослідження є процедура побудови інформаційних технологій, функціонування яких базується на методах ройового інтелекту, для розв'язування задач дискретної оптимізації. Для розв'язування будьякої задачі оптимізації в множині ройових алгоритмів, напевно знайдеться хоча б один алгоритм, який дасть, як мінімум, задовільні результати. Однак, немає і не може бути алгоритму, який міг би забезпечити високу ефективність при вирішенні всіх задач оптимізації. Тому для кожного з ройових алгоритмів можуть бути виділені класи завдань, які він вирішує: краще за інші алгоритми; при близно як інші алгоритми; гірше інших алгоритмів. В ході дослідження використовувалися інформаційні технології розв'язування задач дискретної оптимізації на основі ройових алгоритмів. Отримано методи застосування різного класу алгоритмів ройового інтелекту для розв'язування задач дискретної оптимізації. Поєднано методи ройового інтелекту для розв'язування певного класу задач. Визначено оптимальні значення параметрів певних методів ройового інтелекту. Розроблено інформаційну технологію використання ройових алгоритмів у залежності від класу задачі дискретної оптимізації, який ґрунтується на характеристиках ройових алгоритмів (вид вхідних параме трів, окіл популяцій, тип формування популяцій, тип ітераційних процесів). Це дало змогу обирати реле вантний ройовий алгоритм для розв'язування прикладних задач та класифікувати ці задачі в залежності від характеристик ройових алгоритмів, який використовується для її розв'язання. Розроблено інформаційну технологію використання сукупності різних методів ройових алгоритмів для розв'язування певного класу задач, що, на відміну від інших підходів, базується на гібридному підході використання ройових алгоритмів в залежності від їх характеристик. Це дає змогу використати перевагу певного ройового алгоритму й тим самим підвищити ефективність розв'язування певних класів прикладних задач дискретної оптимізації. Ключові слова: дискретна оптимізація, ройовий інтелект, інформаційні технології, системи підтримки прийняття рішень.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.