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.     

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。     

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。     

基于Hopfield-Tank模型的快速神经网络方法

分析了Hopfield－Tank模型在收敛性、稳健性、优化率以及计算速度方面存在的问题，根据外部惩罚函数法的基本思想提出了一种新的基于Hopfield－Tank模型的快速神经网络方法。对TSP的能量函数进行了改进，并对我国31个城市的TSP进行了软件模拟，得出了15640km的最短路径，在收敛性、稳健性、优化率以及计算速度方面的结果都十分满意。     

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.     

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。     

二维具时滞Hopfield神经网络动力学行为研究

Hopfield神经网络模型是对人脑神经网络的某些机理与机制的抽象,它可以模拟大脑实现联想记忆和优化计算等方面的功能.本文对一类二维具时滞的Hopfield神经网络模型进行了理论分析,给出了系统可能出现的稳定平衡点、周期解以及混沌奇异吸引子的参数选取信息,并在理论分析的基础上进行了数值模拟,用计算机描绘出解曲线图.本结果对人工神经网络的应用提供参数依据.     

禁忌搜索算法求解旅行商问题研究

设计了一种基于Matlab实现的禁忌搜索算法，用以求解组合优化难题中的典型代表旅行商问题（TSP）。分别对Hopfield原始10城市和中国旅行商问题进行了测试，所得结果都能达到或优于公布的最优解，与传统的Hopfield神经网络求解TSP相比，禁忌搜索算法具有强健，快速和高效的特点。     

Hopfield神经网络对供应商分类的研究

本文分析了供应商选择所涉及的各种因素及其相互关系,运用离散Hopfield神经网络模型,面对大量供应商评级数据,然后通过离散Hopfield神经网络的联想记忆能力,建立离散Hopfield供应商评级模型。从而减小评价分析决策中因个人主观性带来的偏差。这样使供应商选择的过程更条理化、层次化,企业对供应商的选择机制更具科学性。     

Hopfield网络求解旅行商问题有效性的研究

对Hopfield网络求解旅行商问题的有效性进行了研究,实验结果表明使用Hopfield网络求解TSP问题时存在两难问题,提高解有效性概率导致解的路径长度优化能力降低,而提高解的路径长度优化能力导致解有效性概率降低.     

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。     

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.     

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。     

二维物体识别的暂态混沌神经网络方法

给出了一种二维物体识别混沌神经网络的方法 ,该方法采用图匹配方式的二维物体识别可以转化为一个组合优化问题求解 ,根据二维物体识别的能量函数定义式推导出一种新的暂态混沌神经网络模型 (TCNN) ,它采用混沌模拟退火方式求解优化问题 .随着分叉尺度参数的逐步降低 ,TCNN由混沌解逐步稳定在全局最优的解上 ,从而得出该方法优于Hopfield神经网络的方法     

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     

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。     

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.