办同神经网络求解流动推销员问题方法——确保单回路的神经网络方法

神经网络方法求解流动推销员问题（Travel Salesman Problem，简称TSP问题）时，往往产生不满足TSP的单回路约束的不可行解。基于协同神经网络的方法解决TSP，并设计了一个回路合并算法，确保得到满足TSP的单回路约束的解。通过算例进行数值模拟，并且比较了新算法、标准遗传算法和标准模拟退火算法的求解结果。实验结果表明，说明该方法在求解TSP问题上是行之有效的。     

用随机神经网络优化求解C-TSP

基于动态随机神经网络(DRNN:Dynamical Random Neural Network)求解典型旅行商优化问题TSP(Traveling Salesman Problem),通过简化方程参数的改进算法,针对解决大规模TSP的求解效果在时间以及路径寻优上所存在的问题,提出一种新的分区方案来解决中国31城市的旅行商问题.所获得的最优路径结果与目前公开文献中已有的其他神经网络所解的结果相比较,显示出采用随机神经网络解决多于10个变量TSP问题的优越性.实验结果表明,采用该方法解决31个城市TSP的优化,所得出的最短距离(15 112.7km)比已有5种算法的结果都要少.     

一个求解旅行商问题的松弛算法

在旅行商问题（TSP）的传统模型中，子回路消除约束的数量随着问题规模的增大具有指数增长的特性，极大地限制了TSP的求解效率。基于TSP的松弛问题，本文提出一种有效生成子回路消除约束的方法。该方法通过求解一系列线性整数规划，来实现TSP的精确快速求解。数值结果表明，本方法相比于采用Cplex直接求解，能够更快地找到TSP的最优解。     

神经网络TSP问题仿真分析

描述了Hopfield神经网络和自组织特征映射神经网络解决TSP问题时的求解过程和仿真算法.通过对两种算法的仿真比较,得出以下结论:对于较大规模的TSP问题,SOFM模型的寻优结果要优于HNN模型寻优结果;HNN对网络模型参数和初始条件具有很强的依赖性且调整参数组合非常困难,而SOFM的参数设置和调整相对要简单得多;SOFM算法对待解决问题的拓扑分布不敏感,而HNN算法的收敛性对待求解问题的自身分布有很强的依赖性;当待求解问题的数目增大时,SOFM算法的运算时间增加缓慢,而HNN算法的运算时间增加较快.因此,在解决TSP问题时,自组织特征映射神经网络比Hopfield神经网络的效率高,随着问题规模的增大,其优势更为明显.     

用Hopfield神经网络与遗传算法求解TSP问题的实验比较与分析

首先介绍了实验中利用Hopfield神经网络和遗传算法求解TSP问题的程序设计方法,分析了CreateChromosome算法的时间复杂性,并测试了群体规模对解最优性的影响,从计算方法的软件实现角度出发,比较了两种计算技术的相似点与不同之处,本次实验的结论是：遗传算法比Hopfield神经网络求解TSP问题的效率高,且随着问题规模的扩大,优势更为突出。     

代理模型辅助的初始可行解产生方法

采用约束保持法求解单目标约束优化问题时,初始化产生可行解的过程存在计算费时问题.因此提出了代理模型辅助的初始可行解产生方法,采用径向基函数构建代理模型,在初始解的产生过程中,预先使用代理模型估计试验粒子的约束冲突值,若满足约束才进行实际计算,从而减少粒子的评价次数以提高算法效率.采用该方法对多个标准函数进行测试,结果表...     

一种基于粒子群算法和Hopfield网络求解TSP问题的方法

针对Hopfield网络求解TSP问题经常出现局部最优解,将粒子群算法(PSO)与Hopfield神经网络结合,提出一种基于粒子群的Hopfield神经网络方法. 实验证实这种方法能够以更大概率收敛到全局最优.     

热传导界面问题的一种神经网络算法

本文讨论了一种单隐层神经网络算法在数值求解热传导界面问题中的应用。该算法设定含有神经网络函数的近似解满足初边值条件和Dirichlet 界面条件,通过求解由原方程导出的关于神经网络权重的离散优化问题来训练近似解中的神经网络,以使近似解逼近真解。文中也给出了一种基于随机梯度法思想的类随机梯度法来求解相应的离散优化问题。数值算例验证了算法的有效性。     

基于模拟退火算法的Hopfield神经网络参数优化

为解决Hopfield神经网络应用过程中参数设置的问题,在研究Hopfield神经网络的工作原理的基础上,分析了神经网络模型在求解TSP(Traveling Salesman Problem)问题过程中参数的选取,通过对输出数据进行归一化处理建立网络的评价函数,然后引入模拟退火算法对参数进行最优化选取。实验结果表明,经过参数优化过的Hopfield神经网络模型能更有效,更快速地得到TSP问题的最优解。     

基于神经网络求解TSP问题的研究

描述了Hopfield神经网络和TSP问题,研究了用连续Hopfield神经网络求解TSP问题的方法。     

—种求解线性二层规划的神经网络方法

提出了—种求解线性二层规划的神经网络方法.采用以下层问题的对偶间隙为罚项,构造线性二层规划罚问题的思想,将线性二层规划转化成相应的单层规划问题,然后设计求解单层规划问题的神经网络模型,从而得到线性二层规划的最优解.该网络是Lyapunov稳定的,且在适当的条件下收敛于线性二层规划的最优解,仿真结果表明该神经网络可以有效地得到线性二层规划的最优解.     

基于点线回路优化求解TSP的一个新算法

快速有效地解决TSP问题,有着重要的理论价值和极高的实际应用价值。提出了基于点线回路优化求解TSP的算法,首先将原基本回路切去一些点(线段、路径)变成残缺回路,然后把切去的点(线段、路径)重新插入到残缺回路的所有节点之间,生成新的基本回路,切去点(线段、路径)的数量,从一个变到基本回路节点数的一半。算法实现容易、运行速度快,生成的结果接近其最优解。算法尽量避免了陷入局部极小,使得在短时间内能够求解较大规模的TSP问题。     

一类约束最小二乘估计的神经网络算法

提出一种求解最小二乘问题的新算法,该算法通过特定函数的饱和工作方式,保证最小二乘问题对约束条件的满足,同时实现方差最小化,克服罚函数法难以得到精确解的缺陷。给出了双边约束最小二乘问题存在最优解的充分必要条件,同时证明最优解的唯一性。该算法容易用连续型神经网络实现,网络中神经元状态轨迹收敛到最小二乘问题最优解相对应的平衡点。该算法具有指数收敛速率。     

结合引领策略的MMC求解最大约束满足问题

约束满足问题(Constraint Satisfaction Problem,CSP)是人工智能的一个重要研究方向,相关技术被广泛应用于配置、调度及规划等问题求解.但实际应用中,很多问题往往不存在满足所有约束的解,即呈现为过度约束.MaxCSP是处理过度约束一个简单而有效的框架,它的思想是求出满足尽可能多约束的解,其本质是约束优化问题.受元启发式算法在求解连续约束优化问题方面大量成功案例的启发,基于新近提出的作曲家算法(Method of Musical Composition,MMC)求解MaxCSP,在标准MMC算法的基础上引入引领策略,并将其离散化,以求解MaxCSP.最后,在广为流行的MaxCSP测试问题实例集上进行了求解测试并与改进的教与学(Teaching-learningbased Optimization,TLBO)算法和差分进化(Differential Evolution,DE)算法进行比较.实验结果表明,改进的算法无论对于求解可满足MaxCSP还是不可满足MaxCSP,都具有明显的优势.     

解最小一乘问题的递归神经网络

应用鞍点理论和投影算子的性质,给出了一种递归神经网络求解具有线性约束的最小一乘问题,证明了此神经网络全局收敛于一个最优解.数值实验表明,用本文的方法求解最小一乘问题是切实可行的.     

基于自适应层次谱聚类与遗传优化的TSP算法

提出一种基于自适应层次谱聚类与遗传优化的算法求解大规模TSP,算法首先构建一种自适应相似矩阵,并应用到谱聚类算法中实现城市的初步聚类,当聚类城市规模超过设定阈值,用上述自适应谱聚类算法进行层次聚类,直到每类城市规模均小于阈值;其次,采用结合了最近邻与禁忌思想的改进遗传算法求解GTSP,得类间最短回路;最后,用改进遗传算法求解每类城市群的最优解,综合类间GTSP最短回路以及类内TSP最优解,即得大规模旅行商问题的最优解.实验结果表明,该算法能够取得相对较优解且求解效率显著提高.     

基于Hopfield神经网络模型的通道布线算法

本文探讨了用Hopfield神经网络模型解决通道布线问题的一种新算法。算法描述了Hopfield模型与通道布线问题的映射方法和网络能量函数的构造方法,在能量函数中既考虑了合法解约束项,又考虑了优化解约束项,从而提高了布线质量。本文的意义还在于它证明了用Hopfield网络求解通道布线问题是可行的,有效的。     

一种基于模拟退火和Hopfield神经网络求解TSP算法

针对Hopfield神经网络解旅行商问题（TSP）经常出现无效解和局部优化解。将模拟退火智能算法与Hopfield神经网络相结合,提出了一种混合优化算法（SA-HNN）,同时合理地修改了Hopfield神经网络的能量函数,确立网络参数。这种方法在很大程度上避免了Hopfield神经网络优化陷入局部极小的缺陷,大量实验证明了该算法具有收敛速度快,可避免无效解,易获得全局最优解等优点。     

神经网络求解一类稀疏优化问题

利用近年来应用比较广泛的神经网络算法求解了一类在信号还原中具有广泛应用的非Lipschitz约束优化问题.以非光滑分析与最优化理论为基础,发展和推广非Lipschitz稀疏优化问题的基础理论研究及其与图像还原问题的联系,利用光滑化技术以及投影方法构造了一类优化问题的神经网络,由此证明了所构造的神经网络的解是全局存在且一致有界的.还给出了优化模型的稳定点的定义,并证明了所构造的神经网络解轨线的聚点均为稳定点.利用Matlab软件,进行了数值模拟,并验证了所提出的神经网络算法的性能.     

大规模过程系统优化的序列界约束方法

基于非线性约束极小化的序列无约束方法,对大规模过程系统稳态优化的序列界约束方法进行了研究.该约束方法的罚函数只包含对等式和/或不等式约束的惩罚项,不包含对界约束的惩罚项,通过迭代求解一系列界约束极小化子问题而非无约束极小化子问题获得原问题的解;算法按2层结构实现,内层结构中主要求解界约束极小化子问题得到下一个迭代点,外层迭代主要修改乘子向量和罚向量以及检查收敛准则是否满足,重构下次迭代的界约束子问题,或在收敛准则满足时终止算法.此外,给出了求解界约束极小化子问题的修改截断Newton法,并用一类规模可变的约束优化问题和一类最优控制问题对所给方法进行了数值试验,试验结果表明,所给序列界约束方法是非常稳定和有效的.