计算机网络连接增强优化中的均场神经网络算法

摘 要 计算机网络带给人们生活便利，这一点是毋庸置疑的，但并不排除计算机网络问题会损害经济这一情况。因此在计算机网络运行中，务必要做好计算机网络问题预防，及时并快速的发现和处理网络问题，以保证计算机网络的正常运行。鉴于此，本文提出一种实际、可行的计算机网络连接优化方法——均场神经网络算法，并基于网络拓扑结构，计算机均长神经网络算法作详细论述，得出相关结论供同行参考。

关键词 计算机网络；连接优化；神经网络算法

中图分类号：TP393 文献标识码：A 文章编号：1671-7597（2013）15-0061-01

自计算机网络产生以来，人们的生活、工作都获得了极大的便利。计算机网络作为一门先进的应用技术，为了避免其因满足不了用户需求而被时代淘汰，就必须在应用发展过程中不断创新。而在当前，国内计算机网络连接环节相对薄弱，网络连接问题频繁发生，甚至于无法为用户创设一个良好的上网环境。为了改善这一状况，必须对计算网络连接进行优化，并采取适当措施进行计算机网络拓扑扩展，达到提高网络容量，优化网络效率的目的。针对计算机网络连接优化问题，现就网络连接优化下的均场神经网络算法作相关论述。

1 计算机网络连接增强优化

1.1 计算机网络连接增强优化的必要性

众所周知，对于计算机网络来说，如果网络连接出现问题，那么计算机设备与通信网络之间是没有办法进行信息交流的，或者说信息的交流交互性会受到影响而大大减小，这时就需要对其网络连接加以优化，也可称为计算机网络拓扑扩展。而如何增强优化计算网络的连接，拓扑扩展计算机网络结构？这便需要选择合适的结点，并将其添加到现有网络环境中，以此来提高网络容量和连接效率，达到网络结构拓扑扩展，增强信息交流交互性的目的。

在当前情况下，能够实现计算机网络连接增强效率，提高计算机网络的容量，优化用户上网环境的方法很多，但大多数优化方法都不具备良好的经济实用性，而如何在利益最大化情况下实现计算机网络连接优化又正好是计算机网络应用的基本要求，鉴于此，就必须采用增强优化下的均场神经网络算法。

1.2 计算机网络拓扑结构

计算机网络拓扑结构主要指计算机连接网络以后，自身设备与传输媒介所形成的一种的物理构成模式。计算机网络拓扑结构的形式由通信子网来决定。结构的主要功能是实现数据信息的网络交换、处理以及共享，并在一定程度上提高网络数据信息系统运行的可靠性。从网络拓扑结构来看，计算机网络结构的主要构成部分是结点和链路，也就是说，计算机网络其实是由一组结点和多条链路共同组成起来的一种模拟结构。

一般用图G=来表示计算机网络，图中的V代表网络结点集，E表示链路集。而如果我们用Va来表示结构中增加的结点集，用Eb来表示增加的连接集，那么应该得到拓扑扩展的计算网络结构应该为G′=。

2 基于计算机网络连接优化下的均场神经网络算法

本文中所指的均场神经网络算法，实质上是均场退火技术和神经网络算法的结合，利用该方法来增强计算机网络连接，能得到更快、更优化的连接效果。从某种意义上说，均场网络算法其实是一种利润最大化的网络优化算法，能最大限度的提高计算机网络的性价比。

2.1 神经网络算法

思维学将人的大脑思维分为抽象、形象以及灵感等三个部分，认为人类大脑思维是由逻辑思维、直观思维以及顿悟思维共同组成的。其中逻辑思维是一中抽象化思想，直观思维是客观、形象化思想，灵感则属创造性。根据这一理论，可以判断出神经网络便是对人类大脑思维第二种方式的模拟。

人工神经网络属于非线性动力学系统，能够对信息进行分布式存储和协同处理。立足于人工神经网络之上的人工神经网络应用系统，能够利用网络模型和网络算法来处理某种信号，或对某种运行模式进行识别，进而构建成一个独立的专家系统，或者构成机器人。当前，人工神经网络在多个生产领域中都得到了广泛的应用，在其基础之上发展起来的人工神经网络算法作为一种监督性学习算法，也越来越受到人们的关注。但是，由于人工神经网络算法在实际应用时存在显著的收敛速度慢的问题，没有办法保证将收敛程度压制到全局的最小点，进而造成计算机网络学习和记忆的不稳定性增强，影响计算机网络连接效果，所以在实际生活中，人们对改进神经网络算法的探讨一直持续。

2.2 均场神经网络算法

2.2.1 网络模型构建

基于计算机网络连接增强优化下的均场神经网络算法，在对其进行研究，并想要判断其网络效果时，首要任务是建立一个比较完整的均场神经网络模型。建立时应重点管理好以下几个方面，严格控制好函数法构造过程中的目标函数。

2.3 实例仿真分析

根据上述计算所得的结果，最后判定出均场网络算法的可行有效性。计算结果比较图如图1。

在上述所例举的例子中，分别采用遗传算法、模拟退火算法以及均场神经算法来进行分别计算，计算次数保持在100次乃至以上，最后得出利用模拟退火算法需要计算99次，才能计算出规定的连接集，并获得一定的利润；而遗传算法需要86次，均场神经网络算法需要98次。

从实验计算结果比较图可以看出，在均场神经网络计算法、遗传算法以及模拟退火算法三种方法中，均场神经网络算法所获得的网络连接效果相对来说更加快速、有效，更适用于计算机网络连接的增强优化以及网络结构的拓扑扩展。

3 结束语

综上所述，随着计算机网络技术以及国民经济的不断进步，计算机网络在人们生活、生产中的应用已经十分广泛，甚至于社会中各个生产企业或工作部门在开展经济管理活动时都会计算机网络。在这样的前提条件下，为了防止计算机网络连接出现故障，给企业或计算机上网用户造成影响，损害其经济利益，就必须在计算机网络的应用基础上，增强优化连接效率，提高计算机网络容量和效率，促进计算机网络技术进一步发展。本文通过对均场神经网络算法的分析，指出利用均场神经算法可实现计算机网络连接优化目标，并适宜在计算机网络系统中进行应用。

参考文献

[1]彭国震，邱毓兰，彭德纯.计算机网络连接增强问题的模拟退火解决方法[J].计算机工程与科学，2000（02）.

[2] Saha D An Efi cient Link Enhancement Strategy for ComputerNetworks Using Genetic Algofithm[J].Compu～r Com munication.1997.20（9）：2206-2210.

[3]彭国震，邱毓兰，彭德纯.计算机网络连接增强问题的模拟退火解决方法[J].计算机工程与科学，2000，22（2）：8O-82.

[4]高坚，贺秉庚.网络结构拓扑扩展的混合遗传算法[J].计算机工程与科学，2002（03）.