TSP的瞬态混沌神经网络算法

具有瞬态混沌特性的神经网络(TCNN)可以解TSP。利用神经元的自抑制反馈产生混沌动态，其遍历性能和随机搜索性能有效地克服了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，使网络再经过一个短暂的倍周期倒分岔后逐渐趋于一般的Hopfield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，TCNN比HNN具有更强的全局寻优能力和更高的搜索效率。     

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。     

一种混沌神经网络及在优化计算中的应用

提出了一种混沌神经网络模型。在Hopfield网络中引入混沌机制,首先在混沌动态下搜索,然后利用HNN梯度优化搜索。对非线性函数的优化问题仿真表明算法具有很强的克服陷入局部极小能力。     

基于实值遗传算法的模糊神经网络辨识器

提出了一种基于实值遗传算法(RVGA)的模糊神经网络辨识器·它常被用于非线性动态系统的辨识·通常模糊神经网络辨识器参数的训练采用反向传播学习算法(BP),但是用BP算法有训练时间长,容易陷入局部极小的问题·采用RVGA来训练模糊辨识器的参数,由于GA算法具有并行运算,多点寻优等特点,所以它运算速度快,容易实现全局寻优·传统的GA算法采用二进制编码,计算繁复且占用大量的空间·采用一种新的实数编码方法,在实数域上进行遗传运算,操作简便,特别适用于需要调整的参数较多的情况·仿真结果表明,该辨识器具有良好的逼近性能和较快的训练速度·     

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。     

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.     

基于混合遗传算法和神经网络的软硬件划分算法

在对比了Hopfield神经网络(Hopfield Neural Networks,HNN)和遗传算法(Genetic Algorithm,GA)各自特性的基础上,针对嵌入式系统和SoC的软/硬件双路划分问题,在时间性能的约束下,将系统功耗作为优化目标,提出了基于Hopfield神经网络和遗传算法的混合算法(GA_HNN).Hopfield神经网络快速求解的特性和遗传算法高效的全局搜索能力,使得GA_HNN算法能够跳出局部最优解而快速趋于全局最优解.最后通过实验仿真表明,GA_HNN算法与单一的Hopfield神经网络和遗传算法相比,不仅具有高速的搜索能力,而且还具有更好的节省功耗的优势.     

任务分配问题的瞬态沸混沌神经网络解法

采用具有瞬态混沌特性的神经网络（TCNN）解任务分配问题,该方法利用神经元的自反馈产生混沌动态,由于混沌动态特性具有很强的搜索全局最优妥的能力,有效地避免了传统Hopfield神经网络（HNN）极易陶入局部极小的缺陷,同时利用时变参数控制混沌行为,使网络在经过一个矩暂的混沌倒分岔后逐渐于一般的Hopfield神经网络,保证网络收敛到一个最优或近似最优的稳定平衡点。仿真结果表明,TCNN解任务分配问题时,总能收敛到全局最优或几乎接近全局最优,同时具有更高的搜索效率,另外,还用此方法求解了属于NP－完全问题的实时分布处理系统的任务分配问题。     

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.     

基于信息权重自适应蚁群算法求解TSP问题

为了提高蚁群算法求解TSP问题的寻优效果和计算效率,在传统蚁群算法的基础上,将信息权重系数引入路径选择机制及信息素调节机制,根据城市聚度,动态调整路径选择概率;根据路径寻优结果,自适应调整各路径信息量分布,提出了基于动态路径选择机制及自适应信息量更新的动态自适应蚁群算法,克服了传统蚁群算法计算收敛慢,容易陷入局部最优,个体早熟等缺陷。算法应用于Oliver30和Ch150两个TSP实例仿真,并与传统蚁群算法进行对比。结果表明:自适应蚁群改进算法可以有效地求解TSP问题,并且在求解效率和求解质量上都取得很好的效果。     

不一致连续Hopfield网络及其应用

针对一致连续Hopfield网络容易陷入局部最小和不合理解的现象,给出了不一致连续Hopfield网络的能量分析,得到了使网络能量函数上升、下降和不变的条件.在此基础上,通过衰减自反馈,提出了求解旅行商问题(Traveling Salesman Problem,TSP)的新网络.通过仿真证实,该网络可有效地求解TSP问题.     

基于Hopfield网络的极小值问题学习算法

针对 Hopfield神经网络 (HNN )所存在的极小值问题及缺乏学习能力的问题 ,提出了一种学习算法。将决定约束条件权值大小的系数作为学习参数 ,在参数空间里使参数向着 HNN能量上升最快的方向学习 ,使网络状态能够有效地从可能陷入的极小值状态中逃脱出来。对于在状态空间里陷入极小值状态的 HNN,首先在参数空间里修正参数 ,然后再返回到状态空间里进行状态更新 ,如此反复 ,直至找到最优解或满意解。算法的有效性通过仿真实验进行了验证。该算法分别被应用于 10城市和 2 0城市的旅行商问题 ,结果能够以很高的比率收敛于最优解     

四色图着色问题的混沌神经网络解法

采用一种基于退火策略的混沌神经网络（ACNN）算法求解四色图着色问题。将混沌机制引入H0pfield神经网络（HNN），利用混沌的遍历性进行随机搜索，由退火策略控制混沌动态退出和倒分岔出现，使ACNN逐渐趋于一般的HNN．从而既避免了陷于局部极小，又加快了收敛速度，使网络能快速收敛到一个全局最优或近似最优的稳定平衡点。仿真结果表明，这是一个能有效求解四色图着色问题的全局最优化算法。     

基于进化规划和神经网络的多用户检测器

利用两种方法的优点，并将它们应用于CDMA多用户检测中，提出一种基于并行遗传算法和Hopfield神经网络的多用户检测器．该检测器中，进化规划首先给神经网络提供较好的初始值，然后用神经网络实时快速地获得最优解．计算机模拟结果表明：本文所提出的检测器在误码率和“抗远近”效应方面均具有良好的性能。     

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SOFM的P-Hub中心问题的最优求解

“位置-分配问题”是运输问题中一个重要的研究问题，其中P-Hub 中心问题被广泛的应用在航空、通讯、邮件送发问题上.目前已有许多启发式的方法被广泛应用求最优解，如基因算法、模拟退火法、Hopfield network等；本研究针对顾客及服务中心数目已知的条件下，提出了基于人工神经网络的自组织特征映射网络求解方法，运用神经元的自我学习功能来找出最佳的服务中心位置.     

基于Hopfield神经网络的线性系统参数辨识

基于Ｈｏｐｆｉｅｌｄ网络的神经计算原理,提出了一种新的线性系统参数辨识方法,首先建立系统的Ｉ／Ｏ差分方程以模型误差二次型作为ＨＮＮ的能量函数,辨识差分方程的系数矩阵,最终得到线性系统的全部矩阵参数,数值仿真的结果证明了该方法的有效性。