一种基于序数代价神经网络的最高优先级路径求解方法

摘要

一种基于序数代价神经网络的最高优先级路径求解方法，该方法通过构造序数代价神经网络(OrdinalandCostNeuralNetwork，简称OCNN)来求解约束代价内最高优先级路径(The highest priority path problem within the constraint cost，简称HPPPCC)；设计的OCNN是一种基于脉冲神经元的新型神经网络，它与传统的神经网络不同的，OCNN不需要经过任何训练，OCNN的设计包括神经元结构设计和神经网络结构设计，序数代价神经网络上的每个神经元由输入、脉冲接收器、脉冲产生器、神经元状态、脉冲发送器和输出六个部分组成；脉冲是神经元之间传输信息的媒体，最高优先级路径的输出是基于目的神经元接收到的脉冲并筛选。实验例子表明，通过神经网络能够求得最高优先级路径的最优解。

说明书

技术领域

本发明涉及最高优先级路径求解技术领域，具体涉及一种基于序数代价神经网络的最高优先级路径求解方法。

背景技术

最高优先级路径和最短路径求解问题相似，是最短路径问题衍生变化出的一类问题，这类问题是图论研究中一个重要的课题。最高优先级路径求解方法本质同最短路径求解方法相似，最高优先级路径求解方法本质是在网络拓扑中找到从起点到终点优先级最高的路径的集合。该问题具有重要的实际意义，被广泛的应用于室内外紧急疏散、道路交通、网络优化等相关领域。

在交通疏散或者发生火灾时，人们往往希望自己不要受伤，那么最快最安全的疏散选择路径显得尤为重要，但是最短的路径不一定是最安全的路径。虽然有一些求最短路径的算法，但是存在不适用于求最安全的路径和计算精度较差的缺点。

发明内容

本发明的目的是对网络参数进行优先计划分，得到最安全的疏散路径，提供了一种基于序数代价神经网络的最高优先级路径求解方法。

本发明采用的技术方案如下：

基于序数代价神经网络的最高优先级路径求解方法，包括以下步骤：

第1步、构造脉冲神经元；

第2步、构造序数代价神经网络(Ordinal and cost neural network，简称OCNN)，对OCNN 的各项参数进行初始化；

第3步、对序数和代价神经网络的参数进行优先级划分；

第4步、初始化序数代价神经网络中的所有神经元；

第5步、起点神经元激活，开始产生脉冲；

第6步、收到脉冲就产生脉冲并更新OCNN上神经元的状态信息；

第7步、输出约束代价内最高优先级路径。

第1步所述的构造脉冲神经元，具体步骤如下：

第1.1步、设计输入部分，输入部分的作用是用来接收来自其前驱神经元的脉冲，由p

第1.2步、设计脉冲接收器，脉冲接收器的作用是用于改变神经元的状态和对接收到的波进行解码，脉冲p

第1.3步、设计脉冲产生器，脉冲产生器被用来计算向后继神经元发射新脉冲的内容和产生新脉冲的限制，它由三部分所组成：r

第1.4步、设计神经元状态，神经元状态用于更新和显示神经元当前的状态，状态值是否需要更新由是否收到新脉冲和产生新脉冲来决定。神经元共状态值有flag(v

第1.5步、设计脉冲发送器，脉冲发送器用于对新产生的脉冲内容进行编码打包并将脉冲发送到对应的输出端口，它由p

第1.6步、设计输出，输出部分的作用是将脉冲发送器发送过来的波传输到其相应地后继神经元。

第2步所述的构造序数代价神经网络(简称OCNN)，对OCNN的各项参数进行初始化，具体步骤如下：

第2.1步、依据问题的网络拓扑结构构造基于脉冲神经元的序数代价神经网络模型，其中网络拓扑每个节点对应OCNN中一个神经元，网络拓扑中每条弧段对应OCNN中一个突触；

第2.2步、设置起点神经元s与目的神经元d；

第2.3步、设置代价约束参数COST的值。

第3步所述的对序数和代价神经网络的参数进行优先级划分，具体步骤如下：

第3.1步、确定网络序数权重的等级间隔；

第3.2步、对于网络拓扑的序数权重进行等级划分。

第4步所述的初始化序数代价神经网络中的所有神经元具体步骤如下：

第4.1步、对于临时脉冲集合，令

第4.2步、对于所有神经元v

第5步所述的起点神经元激活，开始产生脉冲，具体步骤如下：

第5.1步、对于起点神经元v

第5.2步、产生的脉冲存储到神经元与临时脉冲集合，P

第6步收到脉冲就产生脉冲并更新OCNN上神经元的状态信息，具体步骤如下：

第6.1步、找出临时脉冲Temp与非终点神经元需处理的脉冲，从Temp中移除找出的脉冲，并更新神经元的状态，表达式如下：

p

第6.2步、脉冲发射的神经元与后继神经元产生新脉冲p

第6.3步、产生新脉冲后更新神经元的状态信息，flag(v

第7步输出约束代价内最高优先级路径，具体步骤如下：

第7.1步、在神经网络所有的神经元状态全部为0时，对到达目的神经元的脉冲p

f(l

第7.2步、优先级频率的规则是给定两个脉冲ρ1和ρ2，比较两个脉冲的r

第7.3步、输出目的神经元所有脉冲的s

第7.4步、输出目的神经元所有脉冲的c

第7.5步、输出目的神经元所有脉冲的r

本发明的优点和有益效果

本发明提出了序数代价神经网络方法，该方法是基于脉冲神经元的新型神经网络，神经网络中非终点神经元收到脉冲就转发，不需要存储。本发明在求解最高优先级路径时，相比已存在的方法能够更加准确的解出问题的最优解，在室内外紧急疏散、道路交通等相关领域具有重要的实际意义。

附图说明

图1是本发明求解最高优先级路径的总流程图；

图2是一个普通网络的网络结构图；

图3是序数代价神经网络的神经元结构图；

图4是一个序数代价神经网络的结构图。

具体实施方式

下面结合附图和实例对本发明进行详细的描述。

一种基于序数代价神经网络的最高优先级路径求解方法，求解最高优先级路径的总流程如图1所示；对三个节点的时变网络求解约束时变最短路径，约束代价为4，网络结构如图2 所示，网络中各边的序数权重和代价权重如表1所示。具体实施方案包括以下内容及步骤：

表1 网络中各边传输时间成本与传输代价权重

第1步、构造脉冲神经元，对每个神经元分别构造输入、脉冲接收器、脉冲产生器、神经元状态、脉冲发送器、输出六个部分，神经元的结构如图3所示。

第2步、构造序数和代价神经网络，初始化OCNN各项参数，具体步骤如下：

第2.1步、依据问题的网络拓扑结构构造基于脉冲神经元的序数代价神经网络模型，该 OCNN模型为具有三个时间波神经元和三个突触的神经网络模型，同时指定根神经元s和目的神经元d，OCNN的结构如图4所示；

第2.2步、令约束代价COST＝4。

第3部、对序数和代价神经网络的参数进行优先级划分，具体步骤如下：

第3.1步、确定网络序数权重的等级间隔为3和5；

第3.2步、优先级划分如表达式所示：

第4步、初始化序数代价神经网络中的所有神经元，具体步骤如下：

第4.1步、对于临时脉冲集合，令

第4.2步、对于神经元s∈V，令

第4.3步、对于神经元a∈V，计算

第4.4步、对于神经元d∈V，计算

第5步、起点神经元激活，开始产生脉冲，具体步骤如下：

第5.1步、对于起点神经元v

第5.2步、产生的脉冲存储到神经元s与临时脉冲集合，P

第6步、收到脉冲就产生脉冲并更新OCNN上神经元的状态信息，具体步骤如下：

第6.1步、找出临时脉冲Temp与非终点神经元s需要处理的脉冲p

第6.2步、脉冲发射的神经元s与后继神经元a产生新脉冲p

第6.3步、脉冲发射的神经元s与后继神经元d产生新脉冲p

第6.4步、产生新脉冲后更新神经元的状态信息，flag(s)＝0；

第6.5步、找出临时脉冲Temp与非终点神经元a需要处理的脉冲p

第6.6步、神经元a与后继神经元d产生新脉冲p

第7步、输出约束代价内最高优先级路径，具体步骤如下：

第7.1步、在神经网络所有的神经元状态全部为0时，对到达目的神经元的脉冲p

第7.2步、p

第7.3步、输出目的神经元所有脉冲的s

第7.4步、输出目的神经元所有脉冲的c

第7.5步、输出目的神经元所有脉冲的r

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、同等替换、改进等，均应包含在本发明的权利要求范围之内。