توضیحات
ABSTRACT
This paper discusses the implementation of Hopfield neural networks for solving constraint satisfaction problems using field programmable gate arrays (FPGAs). It discusses techniques for formulating such problems as discrete neural networks, and then it describes the N-Queen problem using this formulation. Finally results will be presented which compare the computation times for the custom computer against the simulation of the Hopfield network run on a high end workstation. In this way, the speed-up can be determined, that illustrate a speedup of up to 2 to 3 orders of magnitude is possible using current FPGAs devices.
INTRODUCTION
Many practical optimization problems from business and industry can be formulated as standard mathematical programming problems using binary decision variables. Solution of these problems requires the use of heuristics or approximate algorithms due to the NP {(Neuro Psychology)-hard nature of their complexity; Fred and Gary, 1989}. Neural networks were proposed to solve such problems in 1985 (David, 1998), but the field has been plagued with problems of poor solution quality and inability to guarantee feasible final solutions (Hopfield and Tank, 1985). These initial problems have now been overcome. Techniques have been proposed to help the Hopfield neural network escape from local minima of its energy function and suitable construction of that energy function has been shown to guarantee the feasibility of solutions (Silvio, 1992). Using these improvements, neural network results have been obtained which compete effectively (and even outperform) other popular heuristics such as simulated annealing. While most of the literature has focused on using Hopfield networks to solve the famous traveling salesman problem, a range of practical problems have also been solved with neural networks (Dijin, 1995; Silvio, 1992). The solutions to these problems were obtained by simulating the behavior of the Hopfield neural network (designed to be implemented in electrical hardware) on a conventional computer. However, while the gorithms generate good solutions, the computation times are extremely slow. If neural networks are to be applied routinely to practical problems, then the execution time must be reduced. There are a number of ways of accelerating the execution of the network algorithms, ranging from the use of high end parallel supercomputers, through to hardware implementations of the networks themselves using custom computing machines (CCMs).
چکیده
در این مقاله، اجرای شبکه های عصبی هوپفیلد برای حل مسائل رضایت از محدودیت با استفاده از آرایه های دروازه قابل برنامه ریزی میدان (FPGA ها) مورد بحث قرار می گیرد. این تکنیک ها را برای فرمول بندی چنین مشکالت به عنوان شبکه های عصبی گسسته مورد بحث قرار می دهد و سپس آن را با استفاده از این فرمولبندی مشکل N-Queen را توصیف می کند. در نهایت نتایج ارائه خواهد شد که مقایسه زمان های محاسبات برای کامپیوتر سفارشی را در برابر شبیه سازی شبکه Hopfield اجرا شده در یک ایستگاه کاری بالا پایان. به این ترتیب، سرعت بالا می تواند تعیین شود، که نشان می دهد سرعت افزایش تا 2 تا 3 مرتبه با استفاده از دستگاه های فعلی FPGA امکان پذیر است.
مقدمه
بسیاری از مشکلات بهینه سازی عملی از کسب و کار و صنعت را می توان به عنوان مشکلات برنامه ریزی استاندارد ریاضی با استفاده از متغیرهای تصمیم باینری فرموله کرد. راه حل این مشکلات نیاز به استفاده از اکتشافات یا الگوریتم های تقریبی به علت NP {(روانشناسی نور) – سختی پیچیدگی آنها است؛ فرد و گری، 1989}. شبکه های عصبی برای حل این مشکلات در سال 1985 پیشنهاد شدند (دیوید، 1998)، اما این مساله با مشکلات کیفیت راه حل ضعیف و ناتوانی در تضمین راه حل های نهایی امکان پذیر است (Hopfield and Tank، 1985). این مشکلات اولیه در حال حاضر برطرف شده است. تکنیک های پیشنهادی برای کمک به شبکه عصبی هوپفیلد از مینیمم محلی از عملکرد انرژی آن پیشنهاد شده است و ساخت مناسب آن عملکرد انرژی نشان داده است که امکان پذیری راه حل ها را تضمین می کند (Silvio، 1992). با استفاده از این پیشرفت ها، نتایج شبکه های عصبی به دست آمده است که به طور موثر (و حتی بهتر از دیگر) اوریستیای محبوب مانند انجماد شبیه سازی شده رقابت می کنند. در حالی که بیشتر ادبیات بر استفاده از شبکه های هوفیلد برای حل معضل فروش مسافر معروف متمرکز شده است، طیف وسیعی از مشکلات عملی نیز با شبکه های عصبی حل شده است (Dijin، 1995؛ Silvio، 1992). راه حل های این مشکلات با شبیهسازی رفتار شبکه عصبی هوپفیلد (طراحی شده برای اجرای سخت افزار الکتریکی) بر روی یک کامپیوتر معمولی به دست آمد. با این حال، در حالی که gorithms تولید راه حل های خوب، زمان محاسبه بسیار آهسته است. اگر شبکه های عصبی به طور معمول به مشکلات عملی اعمال شوند، زمان اجرای باید کاهش یابد. تعدادی از روش های تسریع در اجرای الگوریتم های شبکه وجود دارد، از جمله استفاده از سوپر کامپيوترهای موازی بالا، از طریق پیاده سازی سخت افزاری شبکه ها با استفاده از ماشین های محاسبه سفارشی (CCM ها).
Year: 2012
Publisher : IEEE
By : A. Srinivasulu
File Information: English Language/ 11 Page / size: 468 KB
Only site members can download free of charge after registering and adding to the cart
سال : 1391
ناشر : IEEE
کاری از : A. Srinivasulu
اطلاعات فایل : زبان انگلیسی / 11 صفحه / حجم : KB 468
نقد و بررسیها
هنوز بررسیای ثبت نشده است.