科霍宁SOFM是一个前馈无监督学习网络，它由两层组成：输入层和输出层。输入层，也称匹配层，计算输入模式向量与权重向量的距离，即匹配度；输出层也叫比赛层，诸神按照匹配度比赛，匹配度大(距离小)的神经元确定获胜。获胜神经元及其场中神经元的权重向量在更接近模式向量的方向上更新。经过反复的竞争和更新，神经元最终会学习模式向量并以权向量的形式保存，从而实现模式向量的聚类、识别和拓扑不变性映射。这个过程就是自组织学习(映射)。可以看出，科霍宁SOFM自组织映射学习映射包括两部分：最佳匹配神经元选择和权向量更新。
神经网络具有很强的并行性和适应性，可以应用于控制、信息、预测等许多领域。蚁群算法首先成功应用于旅行商问题，然后被广泛应用于各种组合优化问题。但是算法的理论基础比较薄弱，算法的收敛性没有得到证明。很多参数只是凭经验设定，实际效果一般，使用起来往往不成熟。遗传算法是一种成熟的算法，具有很强的全局优化能力，能够快速逼近最优解。主要用于解决组合优化的NP问题。这三种算法可以相互集成。例如，遗传算法可以优化神经网络的初始权重，防止神经网络训练陷入局部最小值，加快收敛速度。蚁群算法也可以用来训练神经网络，但必须使用优化的蚁群算法，如max-min蚁群算法和精英保留策略。
我的其他文章：