详细内容或原文请订阅后点击阅览
新研究将循环神经网络 (Rnn) 与退火概念相结合，以解决现实世界的优化问题
优化问题涉及从各种选项中确定最佳可行答案，这在现实生活中以及大多数科学研究领域中都经常看到。然而，有许多复杂问题无法用简单的计算机方法解决，或者需要花费大量时间才能解决。
来源:Qudata新研究将循环神经网络 (RNN) 与退火概念相结合，以解决现实世界的优化问题
优化问题涉及从各种选项中确定最佳可行答案，这在现实生活中和大多数科学研究领域中都经常看到。然而，有许多复杂问题无法用简单的计算机方法解决，或者需要花费大量时间才能解决。
由于简单的算法无法有效解决这些问题，世界各地的专家一直致力于开发更有效的策略，以便在现实的时间范围内解决这些问题。人工神经网络 (ANN) 是迄今为止探索的一些最有前途的技术的核心。
ANNVector Institute、滑铁卢大学和加拿大 Perimeter 理论物理研究所的一项新研究提出了变分神经元退火。这种新的优化方法将循环神经网络 (RNN) 与退火概念相结合。这种创新技术使用参数化模型，概括了特定问题的可行解分布。其目标是使用基于退火理论和自然语言处理 (NLP) RNN 的新算法来解决现实世界的优化问题。
所提出的框架基于退火原理，灵感来自冶金退火，包括加热材料并缓慢冷却，使其处于更弱、更耐腐蚀和更稳定的能量状态。模拟退火是基于此过程开发的，旨在确定优化问题的数值解。
该团队进行了多项测试，将该方法的性能与基于数值模拟的传统退火优化方法进行比较。在许多典型的优化问题上，所提出的方法已经超越了所有技术。
您可以在此处查看完整文章
此处 变分神经退火