CEPL, M., ŠŤASTNÝ, J.: Progressive optimization methods for applied in computer network. Acta univ. agric. et silvic. Mendel. Brun., 2009, LVII, No. 6, pp. 45-50 Standard core of communications' networks is represent by active elements, which carries out the processing of transmitted data units. Based on the results of the processing the data are transmitted from sender to recipient. The hardest challenge of the active elements present to determine what the data processing unit and what time of the system to match the processing priority assigned to individual data units. Based on the analysis of the architecture and function of active network components and algorithms, artifi cial neural networks can be assumed to be eff ectively useable to manage network elements. This article focuses on the design and use of the selected type of artifi cial neural network (Hopfi eld neural network) for the optimal management of network switch.active network element, switch, algorithm, Hopfi eld neural network, optimize Datové přenosy jsou založeny na propojení počítačů a různých počítačových sítí. Na nejnižší vrstvě je vždy použit rychlý hardware, např. přepínač, schopný dodat data i z odlišných typů propojených sítí k danému příjemci. Na přepínače jsou kladeny vysoké nároky, především na rychlost zpracování příchozího datového toku, což klade rovněž vysoké nároky na rozhodovací systém, který řídí přeposlání datových jednotek na výstupní port. Složitost celého systému je dána z velké části právě rozhodovací jednotkou.Cílem příspěvku je návrh využití umělých neuronových sítí v oblasti optimalizace komunikač-ních procesů, ve kterých jsou kladeny velké nároky na rychlost propojení. Jedná se o návrh architektury přepínače využívající Hopfi eldovu umělou neuronovou síť (Hopfi eld, J., 1985) pro optimalizaci priorit ní ho přepínání a metodiky realizace problému pomocí algoritmů této neuronové sítě.
MATERIÁL A METODYHopfi eldova neuronová síť J. J. Hopfi eldem (Hopfi eld, J., 1985) byla navržena umělá neuronová síť, která se vyznačuje speciální zpětnovazební strukturou. Hopfi eldova síť patří mezi jednovrstvé sítě, u níž jsou výstupy jednotlivých neuronů vedeny zpět na vstup ostatních neuronů. Důsledkem zpětnovazební struktury je zís-kána nová vlastnost neuronové sítě, časová závislost. Taková struktura umožňuje implementovat algoritmy, které jsou založeny na iteračních procesech. Během řešení iteračního procesu se minimalizuje energetická funkce sítě. Řešení optimalizační úlohy lze proto realizovat vhodnou transformací optimalizační úlohy na energetickou funkci neuronové sítě.Hopfi eldova síť (Šíma, J., 1996) nalézá své uplatnění jako asociativní paměť pro řešení optimalizač-ních a klasifi kačních problémů. Optimalizace se provádí vhodnou transformací optimalizační úlohy na energetickou funkci neuronové sítě. Energetická funkce každému stavu sítě přiřazuje jeho potenciální energii, je zdola ohraničená a pro daný stav systému je nerostoucí. V teorii neuronových sítí se stavem systému rozumí množina aktivací všech neuronů....