カオス的に切り替わるノイズを注入したホップフィールドニューラルネットワークの解探索能力

摘要

組み合わせ最適化問題を解く方法としてニューラルネットワークは重要であり、数多くの研究がおこなわれている。 ネットワークの局所解脱出のためにノイズを注入する方法が提案されており、なかでも、ロジスッティック写像で得られる3周期窓付近のインターミッテンシーカオスノイズが良い性能を得ると報告されている。しかしながら、カオスが良い作用を示す原因の全てはまだ明確ではない。 本研究では、カオス的に切り替わるノイズを注入したHopfield Neural Network (abbr. Hopfield NN)を用いて二次割り当て問題(abbr. QAP)を解く能力について調べる。 コンピュータシュミレーションにより、カオス的に切り替わるノイズは3周期窓付近のインターミッテンシー·カオスノイズと同様の結果を得られることを確認する。