Job—shop调度问题的瞬态混沌神经网络解法

采用具有瞬态混沌特性的神经网络（TCNN）解Job-shop调度问题。利用神经元的自抑制反馈产生混沌动态，其随机搜索能力有效地了传统Hopfield神经网络（HNN）极易陷入局部极小的缺陷；同时利用一时变参数控制混沌行为，使网络在经过一个短暂的倍周期倒分岔后逐渐趋于一般的神经网络，从而收敛到一个最优或近似最优的稳定平衡点。仿真结果表明，该网络解Job-shop调度问题比HNN具有更强的全局搜索能力和寻优能力，并具有更高的搜索效率。     

四色和K色图着色问题的瞬态混沌神经网络解法

首先给出了用神经网络求解四色图着色问题的神经网络结构和能量函数 ,然后采用了具有瞬态混沌特性的神经网络 ( TCNN)来解四色图着色问题 .由于引入具有复杂动态特性的瞬态混沌使得该法具有很强的搜索全局最优解的能力 .仿真结果表明 ,用该法解四色图着色问题总能保证使能量函数收敛到最优解 ,有效避免了用传统的 Hopfield人工神经网络 ( HNN)解此问题时极易陷入局部极小的缺陷 ,并且收敛速度更快 .另外我们还用此法求解了属于 NP-完全问题的 K色图着色问题.     

双混沌神经网络及其在优化问题中的应用

分析了三种现有的混沌神经网络模型的优化性能,针对目前混沌神经网络收敛率不高和搜索时间较长的问题提出了一种双混沌神经网络。它不同于以往的混沌神经网络改进方法,不是延长退火时间或改变混沌程度来提高网络性能,而是通过混沌迭代搜索使混沌神经网络在有限步内找到全局最优解的初值来提高收敛率与收敛速度。这种方法能使混沌神经网络在应用中具有更好的全局优化能力,并且可以缩短混沌神经网络的搜索时间,对旅行商问题求解的仿真对比和函数优化问题的仿真,说明了新方法比现有方法具有更好的收敛率和更短的搜索时间。     

混沌粒子群优化及其分析

通过分析了经典的粒子群优化中单个粒子模型,发现其具有混沌Hopfield神经网络的特点.提出了一种新的粒子群优化模型,该模型不像以往的粒子群算法那样包含随机参数,而是一个确定性的混沌Hopfield神经网络群,其搜索轨道展现了从混沌到周期分岔再到汇的逆周期分岔演化过程.初始混沌式搜索模式展宽了搜索范围,逆周期分岔演化过程决定了搜索的稳定性和收敛性.另外,理论上给出了新的粒子群优化的收敛性结论.最后,通过数值仿真给出了与经典的粒子群优化结果的不同点,并且说明了混沌粒子群优化的有效性.     

一种混沌神经网络及其在优化计算中的应用

研究了一种具有混沌特性的神经网络 ,该网络具有瞬态混沌响应 ,类似于Hopfield网络的结构 ,但有比Hopfield网络更加丰富的动力学特征、更强的全局搜索能力。通过把混沌动力学与收敛动力学相结合 ,使网络逐渐由混沌神经网络向Hopfield网络过渡 ,达到控制混沌的目的 ,并且提供一个在全局最优解附近的初值 ,有效地解决了Hopfield网络的局部极值问题。该网络模型可以用来解决复杂的非线性优化问题。     

用具有混沌特性的神经网络解任务分配问题

利用由一对相互藉合的混沌吸引子作为神经元构造的混沌神经网络来解决任务分配问题。通过与传统Hopfield人工神经网络解决任务分配问题相比，混沌神经网络具有更强的全局搜索能力和寻优能力。实时分布处理系统任务分配问题实例仿结果表明，该网络解任务分配问题有效地避免了Hopfield人工神经网络极易陷入局部极小的缺陷，并具有更高的搜索效率。     

求解一类组合优化问题的混沌搜索法

把混沌引入各种传统的优化计算模型中以避免系统落入局部最优陷阱 ,是一种行之有效的方法 .本文提出一种利用混沌搜索一类组合优化问题最优解的模型 ,并对其进行了理论分析和数值模拟 .与混沌神经网络模型相比 ,本模型避免了模型参数选择的难题 ,具有实现方便 ,寻优效果好的优点 ,为解决一类组合优化问题提供了新途径.     

自适应混合混沌神经网络及其在TSP中的应用

为了进一步提高混沌神经网络的收敛效果,将T.Kwok和K.A.Smith所总结的内、外两类混沌神经网络相结合,并加入自适应方法,提出了自适应混合混沌神经网络。这种网络可以同时通过线性和非线性两种途径来改变网络能量函数进行搜索,这使得搜索过程具有更为丰富的动力学行为。同时由于自适应方法的引入,保证能量函数的变化在整个搜索过程中对动态方程有较强的作用,从而减少了网络收敛时的迭代步数。仿真研究表明,在求解TSP上,其效果优于随机混沌模拟退火网络。     

一种基于神经网络和遗传算法的拟人智能控制方法

提出一种基于Hopfield神经网络(HNN)和遗传算法(GA)混合策略的拟人智能控制方法。首先利用拟人智能控制得到定性控制律(线性或非线性)，然后利用GA和HNN的混合优化策略实现定性控制律的定量化——首先，基于网格法产生GA的初始种群；然后，基于实数编码并采用最优个体保留策略、2／4择优选择以及引入控制经验的改进GA进行全局优化；最后，为了克服GA的后期收敛速度慢和局部优化能力缺乏，利用HNN的快速优化能力进行末段搜索，最终产生全局最优解。将该方法用于二级倒立摆系统的控制，仿真和试验结果均表明该方法有效。     

基于EMD与神经网络的中国股票市场预测

应用EMD分解算法、混沌分析和神经网络理论提出了一种中国股票市场建模及预测的EMD神经网络模型.首先应用EMD分解算法把原始股市时间序列分解成不同尺度的基本模态分量,并在此基础上进一步分析, 表明中国股市存在混沌特性;再经混沌分析和神经网络进行组合预测,提高了模型对多种目标函数的学习能力, 有效提高了预测精度. 实验表明:与现有方法相比, 该方法具有较高的精度.     

基于多层Hopfield神经网络的配电网网络规划

分析了配电网网络结构规划模型,在此基础上提出用Hopfield神经网络进行网络结构规划.针对城市电网辐射状运行的特点,提出多层Hopfield神经网络模型、对应的能量函数以及参数选择规律.多层Hopfield神经网络的每一层对应于一个负荷点的供电线路,能量函数的建立同时考虑到各层的状态.提出一种新的基于多层Hopfield神经网络的配电网网络结构的规划算法,该算法通过使能量函数降到最低值,可以求得配电网网络规划问题的最优或近似最优解.新算法无需对线路编码、无需对数据进行归一化处理,更加易于编程实现.实例计算表明该方法可行、有效.     

Stability of discrete Hopfield neural networks with delay

1.INTRODUCTION DiscreteHopfieldneuralnetwork(DHNN)isoneof thefamousneuralnetworkswithawiderangeofap plications,suchascontentaddressablememory,pat ternrecognition,andcombinatorialoptimiza tion[1～5].ThestabilityofDHNNmeansthatevery trajectorymustconvergetowardsanequilibrium point,oralimitcycle.Becausethestabilityof DHNNisthefoundationofthenetwork’sapplica tionsandisthemostbasicandimportantproblem,thestabilityanalysisoftheDHNNhasattractedcon siderableinterest.Manyresearchershavefocu…     

离散Hopfield神经网络的异步渐近行为

主要研究非对称离散Hopfield神经网络和带有延迟项的非对称离散Hopfield神经网络的异步渐近行为。提出了异步演化的网络状态图和网络状态图的洞的概念 ,研究了网络状态图的洞和神经网络的异步稳定性之间的关系。给出了非对称离散Hopfield网络的异步稳定条件和不稳定条件以及某些特殊情况下的网络状态图的结构。同时 ,也得到了非对称延迟离散Hopfield网络的异步收敛性条件。所获结果推广了一些已有的结论。     

一种求解多处理器作业调度的Hopfield神经网络方法

多处理器作业调度是一类非常复杂的组合优化问题 ,而Hopfield神经网络通常被广泛用于求解各种组合优化问题。针对具有时间约束 (执行时间和最后执行期限 )和若干资源约束的多处理器作业调度问题 (已知是NP难解的 ) ,提出了一种基于离散的Hopfield神经网络的求解新方法。该方法直接把问题的各种约束表示为Hopfield神经网络的能量函数项 ,进而导出神经网络模型。实验仿真结果表明了该方法的有效性。     

异联想记忆Hopfield神经网络的模型、算法及性能

对联想记忆神经网络(neuralnetworks NN)的特性进行了分析,基于双向联想存储器BAM原理,对自联想记忆HopfieldNN模型进行了扩展,建造了适合于求解模式识别问题的异联想记忆HopfieldNN模型结构.并针对HopfieldNN记忆容量不足的缺陷,对常规的学习算法进行了改进,建立了基于投影原理的伪逆学习算法和广义逆学习算法,提高了HopfieldNN对样本的记忆存储能力.分析表明:本文的研究解决了HopfieldNN应用于异联想记忆模式识别的关键问题.     

Neuromorphic Continuous-Time State Space Pole Placement Adaptive Control

Abstract: A neuromorphic continuous-time state space pole assignment adaptive controller is proposed, which is particularlyappropriate for controlling a large-scale time-variant state-space model due to the parallely distributed nature ofneurocomputing. In our approach, Hopfield neural network is exploited to identify the parameters of a continuous-timestate-space model, and a dedicated recurrent neural network is designed to compute pole placement feedback control law inreal time. Thus the identification and the control computation are incorporated in the closed-loop, adaptive, real-timecontrol system. The merit of this approach is that the neural networks converge to their solutions very quickly andsimultaneously.     

不同演化模式的离散Hopfield网络的稳定性研究

神经网络的稳定性被认为是神经网络应用的基础。研究了非对称离散Hopfield神经网络的异步、同步、部分同步演化方式的稳定性 ,证明得到对于已知稳定的网络 ,如果经其连接权矩阵一定的增量 ,得到一个新的连接权矩阵 ,则在一定条件下可保证所得新的网络仍是稳定的。所获结果不仅推广了已有的结论 ,而且为离散Hopfield神经网络稳定性的稳健性能分析和应用提供了理论基础。     

联想记忆模型在系统工程中的应用

本文提出了一种实数值联想记忆模型, 可以处理实数值的训练模式, 并能确保训练模式的稳定性。对于记忆离散双值模式, 该模型相当于一个高阶神经元网络, 并指出Hopfield模型只是它的特例。本文并将该模型应用于多属性目标决策和等级划分中, 其结果令人满意。