...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Neural computation >An Efficient Approximation Algorithm for Finding a Maximum Clique Using Hopfield Network Learning
【24h】

An Efficient Approximation Algorithm for Finding a Maximum Clique Using Hopfield Network Learning

机译：基于Hopfield网络学习的最大团的高效近似算法。

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this article, we present a solution to the maximum clique problem using a gradient-ascent learning algorithm of the Hopfield neural network. This method provides a near-optimum parallel algorithm for finding a maximum clique. To do this, we use the Hopfield neural network to generate a near-maximum clique and then modify weights in a gradient-ascent direction to allow the network to escape from the state of near-maximum clique to maximum clique or better. The proposed parallel algorithm is tested on two types of random graphs and some benchmark graphs from the Center for Discrete Mathematics and Theoretical Computer Science (DIMACS). The simulation results show that the proposed learning algorithm can find good solutions in reasonable computation time.
机译：在本文中，我们使用Hopfield神经网络的梯度上升学习算法提出了最大集团问题的解决方案。此方法提供了一种用于查找最大团的近似最佳并行算法。为此，我们使用Hopfield神经网络生成一个接近最大的团，然后沿梯度上升方向修改权重，以使网络从接近最大的团状态转移到最大团或更好。离散数学和理论计算机科学中心（DIMACS）在两种类型的随机图和一些基准图上测试了所提出的并行算法。仿真结果表明，所提出的学习算法能够在合理的计算时间内找到良好的解决方案。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号