基于模拟退火的Hopfield网全局优化方法

为了改进Hopfield神经网络在多极点函数优化和组合优化中存在的某些缺陷,并影响着一些优化问题求解中的正确性和有效性的现实问题,将模拟退火智能优化算法与Hopfield神经网络有机结合,优势互补,提出了一种基于模拟退火的Hopfield神经网络混合全局优化算法(SA-HNN),新算法很大程度上避免了Hopfield神经网络优化陷入局部极小的缺陷,同时兼顾了算法的效率.通过典型的多极点函数优化和TSP组合优化问题求解,实验表明:SA-HNN混合优化算法具有帮助Hopfield网络摆脱局部极小点的能力并能得到较好的结果,有一定的工程实用价值.     

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.     

一种暂态混沌神经网络及其应用

讨论了Hopfield神经网络算法在优化计算中的应用,提出了一种暂态混沌神经网络模型,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,然后用Hopfield网络得到最优解,有效地解决了Hopfield网络的局部极值问题.仿真结果表明算法对于初始值是稳健的,并且具有很强的克服陷入局部极小能力.     

基于扩展神经网络的网格资源调度优化算法

针对具有时间约束和若干资源约束的网格资源调度问题，提出了一种基于扩展神经网络的求解新方法GRSENN。资源调度问题首先被分解为一系列多维背包问题并提出相应的数学模型，然后通过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。实验仿真结果表明该方法的有效性，并可避免通常神经网络所具有的容易陷入局部极小点的缺陷。     

一类具有反三角函数自反馈的混沌神经网络及其应用

在线性自反馈的基础上将反三角函数引入到混沌神经网络的自反馈项,提出了非线性自反馈混沌神经网络模型.网络优化机制的分析表明,非线性自反馈使网络以线性函数与反正切函数的和与状态乘积和的方式影响原Hopfield网络的能量函数,避免网络陷入局部极小点.构造了网络的能量函数,分析了网络达到渐进稳定的充分条件并利用其指导网络求解旅行商问题的参数设置.连续函数优化问题和旅行商问题的仿真研究表明,提出的网络能有效地找到优化问题的最优解.     

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。     

一种具有连续滞后神经元的Hopfield网络求解TSP问题的算法

提出了一种具有连续滞后神经元的Hopfield神经网络体系结构,有效地解决旅行商问题(TSP).对连续滞后神经元的Hopfield神经网络结构和整个网络的计算性能进行了研究.理论上通过模拟随机生成的具有连续滞后神经元的Hopfield神经网络证明网络的优越性.通过模拟TSP问题的应用来说明此算法的计算效率.仿真结果表明,具有连续滞后神经元的Hopfield神经网络在解决TSP问题时,无论从处理时间和解决质量上来看都优于传统的Hopfield神经网络和二元连续Hopfield神经网络.     

傅立叶Hopfield神经网络及其在优化中的应用

Hopfield神经网络(HNN)是一种有效的优化模型,但存在易收敛到局部极小的缺点.傅立叶级数具有良好的函数逼近能力和较高的非线性度,基于这一特点,提出了一种新型的Hopfield神经网络--傅立叶Hopfield神经网络(FHNN),其激励函数是由三角函数和Sigmoid函数组成,并将该模型用于优化问题.仿真结果表明傅立叶Hopfield神经网络能够较快收敛到最优解,在解决优化问题上表现出令人满意的效果.     

高阶反馈型神经网络及其在优化计算中的应用

本文用神经网络来求解多元函数的极值.针对 Hopfield 网络的局限,提出了一种高阶反馈型神经网络,并从数学上证明了这个网络具有良好的稳定性.当阶数为2时,功能类似于 Hopfield 网络,但比它稳定.本文还给出求解多元高次函数全局最优解的方法.最后给出了该网络的计算机数值仿真.     

广义离散神经网络模型及启发式算法

对Hopfield离散网络的操作方式进行了推广，使其可以实现局部并行操作，并给出了相应的稳定条件。构造了一种用于最大独立集（MIS）问题求解的广义离散神经网络模型（GDHN）。模拟计算表明，所提出的算法在求解MIS问题时，比单纯的Hopfield神经网络算法有更好的优化性能。     

用Hopfield神经网络解决作业车间调度问题

对作业车间调度问题的换位矩阵表示方法进行了改进,给出新的作业车间调度问题的 Hopfield 神经网络计算能量函数表达式,然后提出改进的 Hopfield 神经网络作业车间调度方法。为了避免 Hopfield 神经网络容易收敛到局部极小的缺点,将模拟退火算法应用于 Hopfield 神经网络求解,提出随机神经网络作业车间调度方法。与已有算法相比,改进算法能够保证神经网络稳态输出为可行的作业车间调度方案。     

Hopfield连续神经网络新的综合和学习方法

本文对设计一个全局稳定的Ｈｏｐｆｉｅｌｄ连续时间联想神经网络提出一种新的综合方法，用本文提出的方法综合的网络不仅能保证每一个要求的模式全部记忆，而且存贮在网络的稳定平衡点上的每一个记忆具有很好的吸引域特性。从最小误差参数估计的观点导出求解网络联接矩阵的学习方法具有快速收敛特性。本文还提出了利用反馈网络电路结构实现网络综合的方案。一个零自联接联想网络的综合实例证实了本文提出的方法的有效性和实用性。     

离散Hopfield型神经网络的异步收敛性研究

主要研究非对称离散Hopfield神经网络的异步演化方式的收敛性，并给出了一些新的收敛性条件。若网络的连接权矩阵可以分解成主对角元素非负的对称矩阵和行（列）对角占优的矩阵之和，则网络是异步收敛的，所获结果推广了已有的结论。     

基于DCT的PCA及神经网络的人脸识别研究

PCA(Principal Component Analysis,也称为K-L变换)方法在许多人脸库的识别中取得了很好的效果,但运算量大;DCT(Discrete Cosine Transform)有较高的压缩性能并可通过快速算法来完成;集成的BP神经网络比单一BP网具有更好的泛化能力.针对上述特点,提出了一种新算法,首先用DCT处理原始人脸图像,然后用包含了原始图像大部分信息的少量DCT系数作PCA,最后用集成的BP神经网络进行识别.在ORL人脸库上的仿真试验结果表明,该方法是一种更为高效的识别方法.     

移动通信中基于神经网络的信道分配方案及算法

针对小区制蜂窝系统在信道共用情况下,提出一种利用神经网络实现信道分配（ＦＣＡ）的方案算法及其优化,该地与图形着色法（ＧＣＡ）相比,大大提高了收敛速度;对比传统的Ｈｏｐｆｉｅｌｄ网络,更易克服网络的振荡行为。     

一种基于Hopfield神经网络的Adhoc网络QoS路由选择算法

当前研究Adhoc网络的QoS保证主要集中于QoS路由选择。人工神经网络已成为求解大规模优化问题的一种有效方法，已经证明合适的神经网络能实时地得到问题的精确解。主要考虑在Adhoc网络中满足时延条件下的最小耗费问题，建立了一种新的Hopfield神经网络模型，给出能量函数各参数之间的关系，并证明了通过适当选取参数，网络的可行解将是渐近稳定的。计算实例表明了新网络模型的有效性。     

应用人工神经网络的无功／电压控制新方法

本文利用人工神经网络中的HOPFIELD连续模型(HNN)来求解电力系统中的无功优化问题,对HNN模型作了改进,使其能够处理等式约束和不等式约束,从而使得HNN模型可以应用于求解非线性规划问题。在算法上,和传统的无功优化方法不同,本方法不区分状态变量和控制变量,只以节点电压作为DNN模型能量函数中的自变量。该方法开发了HNN神经网权值矩阵的稀疏性。通过对雅可比矩阵的修正,引入了变压器变比的变化。另外,本文还从理论上分析了HNN模型的能量的性质,探讨了一种修正HNN模型能量函数中参数的方法,从而保证了解的可行性。最后,通过两机系统,IEEE-6节点,IEEE-30节点系统的测试,验证了这两种模型的正确性。     

基于Hopfield神经网络的平面拟合编码研究

提出了平面拟合编码的一种新的实现方法，即神经网络方法。为了保证Ｈｏｐｆｉｅｌｄ神经网络的收敛，对该网络模型的迭代算法进行了修改，针对Ｈｏｐｆｉｅｌｄ网络存在的局部极小问题，给出了一种扰动算法，结合初始状态的合理选择，可以有效地避免网络陷入局部极小，而接近全局最小，以求得待定系数的最优解，计算机模拟结果表明，Ｈｏｐｆｉｅｌｄ神经网络实现的平面拟合编码性能优于传统的最小二乘法，重建图像质量提高约０．６ｄＢ。     

基于Hopfield神经网络的自适应控制系统的设计与仿真

根据连续型Hopfield神经网络的特性,设计基于Hopfield神经网络自适应控制系统,解决当前大多数控制系统需要外界参与的问题.设计一个三元组的Hopfield神经网络,并通过自反馈机制更新神经元的权重,完成自适应控制的任务.通过MATLAB平台仿真建立Hopfield神经网络,构建神经网络输出与参考标准输出之间的对比实验.结果表明,Hopfield能够在有限次数内逼近参考标准输出,从而完成控制任务.基于Hopfield神经网络的自适应控制系统有较高的精度,能够完成常见的设备控制,具有较强的可行性和便捷性.