Künstliche Neuronale Netze (im Folgenden auch KNN genannt) sind biologisch motivierte Modelle, die sich an Grundprinzipien der Arbeitsweise des Gehirns und des zent-ralen Nervensystems anlehnen. Während Probleme, die durch einen Algorithmus in kurzer Zeit exakt zu lösen sind, von einem Computer deutlich schneller gelöst werden können als von einem Menschen, so ist das menschliche Gehirn beispielsweise beim Erkennen von Gesichtern überlegen und liefert auch beim Ausfall einiger für die Problemlösung notwendiger Nervenzellen noch korrekte Ergebnisse. Die Idee ist daher, die Arbeitsweise des Gehirns auf den Computer zu übertragen.
Mit ihrem Formalmodell des Neurons waren Warren McCulloch und Walter Pitts die Ersten, die sich mit dem Thema neuronale Netze beschäftigten. Seit ca. 1986 haben die Arbeiten mit und zu neuronalen Netzen stark zugenommen.
Mittlerweile kann man das Themengebiet in zwei große Bereiche unterteilen:
• Künstliche neuronale Netze, die modelliert werden, um die Funktionsweise des menschlichen Gehirn besser zu verstehen und
• künstliche neuronale Netze, die dazu dienen, konkrete Anwendungsprobleme zu lösen, aus Bereichen der Statistik, der Wirtschaftswissenschaften, der Technik und vielen andere Gebieten
Durch ihre besonderen Eigenschaften wie Lernfähigkeit, Fehlertoleranz, parallele Informationsverarbeitung, Robustheit gegen verrauschte Daten und die Fähigkeit, Muster zu erkennen, stellen KNN bereits in vielen Bereichen eine ernst zu nehmende Alternative zu herkömmlichen Algorithmen dar.
Inhaltsverzeichnis
- Einführung
- Grundlagen künstlicher Neuronale Netze
- Mathematische Darstellung
- Netze mit Rückkopplung
- Hopfield-Netze
- Optimierung mit Neuronalen Netzen
- Allgemein
- Vorgehensweise
- Optimierungsaufgaben
- Das Traveling-Salesman-Problem
- Maschinenbelegungsplanung
- Zusammenfassung
Zielsetzung und Themenschwerpunkte
Diese Seminararbeit befasst sich mit der Optimierung von Problemen mithilfe künstlicher Neuronaler Netze (KNN). Der Schwerpunkt liegt auf der Funktionsweise von KNN und der Anwendung in verschiedenen Optimierungsproblemen.
- Grundlagen künstlicher Neuronaler Netze
- Mathematische Modellierung von KNN
- Optimierungsverfahren mit KNN
- Anwendungen in der Praxis
- Vorteile und Grenzen von KNN in der Optimierung
Zusammenfassung der Kapitel
1. Einführung
Dieses Kapitel führt in das Thema der künstlichen Neuronalen Netze (KNN) ein und erläutert ihre biologische Inspiration, die Vorteile gegenüber traditionellen Algorithmen und die historische Entwicklung.
2. Grundlagen künstlicher Neuronale Netze
Kapitel 2 beleuchtet die Architektur und die Funktionsweise von KNN. Es behandelt die mathematische Darstellung, die verschiedenen Schichten eines KNN, die Gewichtung von Verbindungen zwischen Neuronen und die unterschiedlichen Lernregeln.
3. Optimierung mit Neuronalen Netzen
Kapitel 3 beschäftigt sich mit der Anwendung von KNN in der Optimierung. Es erläutert die allgemeine Vorgehensweise, verschiedene Optimierungsaufgaben und gibt Beispiele für konkrete Anwendungen wie das Traveling-Salesman-Problem und die Maschinenbelegungsplanung.
Schlüsselwörter
Die Seminararbeit befasst sich mit dem Themenfeld der künstlichen Neuronalen Netze (KNN) und deren Anwendung in der Optimierung. Die wichtigsten Schlüsselwörter sind: Künstliche Neuronale Netze, KNN, Optimierung, Lernregeln, Backpropagation, Traveling-Salesman-Problem, Maschinenbelegungsplanung.
- Arbeit zitieren
- Ronny Ibe (Autor:in), 2006, Optimieren mit neuronalen Netzen, München, GRIN Verlag, https://www.grin.com/document/66663
