2022年12月05日 第12回
局所最適解の解決策として，カオスニューラルネットワークを用いることを学びましたが，ここでもカオスを利用することに驚きました．
カオスには様々な有用な使い方があると感じました．
その通りです．色々とあります．次回詳しくお話しします．
HNNでTSPを解くとき，目的関数のE1とE2の考えがすごいと思いましたが，欠陥があるようで，そう簡単にはいかないなと思いました．
そう簡単にはいかないですね．
循環セールスマン問題がHNNを用いて解けることに驚いた．
脳の仕組みを利用した応用の形としてこんなやり方があるのかと感心した．
授業では循環セールスマン問題を例にしていたがおそらく他にも応用できる場面はいくらでもあると思った．
その例を知りたいとおもった．
他には連想記憶などもありますが，時間的な都合で説明できないです．．．．
HNNを用いたTSPの解き方がわかった．
実行可能解が出にくかったり，都市が多いと計算量が多くなりすぎたりと問題点はあるが，改善にカオスを用いることが出来るのは驚いた．
一つの応用ということです．
講義の最後の方で2-opt法などを聞いて応用情報工学実験で苦労したのを思い出しました．
そうでしたか．．．
HNNの活用方法やその欠点がよくわかりました．
よろしいと思います．
今日はTSPをHNNで解くための工夫やこの手法の問題点などについて理解できた．
実際の脳神経には相互結合があるため，相互結合のないDNNのようなアーキテクチャよりも相互結合のあるHNN等の手法の方が強力となる気がしたが，現在はDNNが流行っていることを思うと相互結合を持つアーキテクチャで良いモデルや計算法が見つかったら今以上のブレークスルーが期待出来るのではないかと思った．
また，問題点の解決の話で確率やカオスの揺らぎの導入の話題があったが，局所最適解に陥った際に過去の勾配変化を使って同じ方向に進み続けることで抜け出す手法ではどうなのだろうかと疑問に思った．
同じ方向ではなくて逆の方向でしょうかね．
ホップフィールドニューラルネットワークを使っての巡回セールスマン問題を解く流れが分かった．
HNNを用いた場合の問題点，それらの解決策についても理解できた．
各行，各列ごとに発火しているニューロン数が1つである場合，実行可能解になるという考え方が面白いなと感じた．
カオスを用いたほうが良さそうであったので，次回のカオスニューラルネットワークの話も楽しみである．
楽しみにしていてください．
今日の講義ではHNNを用いてTSPを解くといことについて学んだ．
一見すると式がとても複雑のように見えたがp29のように図をイメージすると理解ができたと思う．
また，HNNを用いることの問題点についても学び，その解決策の1つとしてカオスの有する揺らぎを利用するというのは驚きだった．
また，ここでもカオスが出てくるのかと驚きがあった．
次回説明しますね．
今回はHNNを使って, TSPを解くことを学びました. 正直理論はおおよそ理解したつもりですが, 式をみるとかなり複雑でさすが完全に解くことは難しいと言われている問題だなと思いました. 最後に出てきていたカオスの揺らぎというものが詳しく聞いてみたいと思いました.
次回詳しくお話しできると思います．また，モデリング，解析などにとって， 大切なお話しもしようとおもいます．
HNNを用いたTSPの解法について，TSPの巡回路長とエネルギー関数の対応づけとエネルギー関数の次元の考え方も含めて理解できたと思います．HNNを使う上で生じる，局所最適解に陥る問題やニューロン数が大きくなる問題に対して，カオスの必要性を感じました．
うまく使えると良いですね．