一种带记忆的模拟退火算法求解TSP问题

模拟退火算法是求解组合优化问题的一个有效方法.在模拟退火算法的基础上提出了一种带记忆的改进算法.在改进算法中增加了记忆功能,将当前最优解记忆下来;设计了一个温度更新函数,保证温度更新有一定的自适应性;增加补充搜索过程,以提高算法的全局搜索能力.最后将此算法应用到旅行商(TSP)问题中,在若干公共测试数据集上的实验结果表明,该算法是有效可行的.     

基于改进模拟退火算法求解TSP问题

对传统模拟退火算法的原理和不足进行分析,针对TSP问题的特点提出了改进的模拟退火算法.就传统模拟退火算法生成新解的随机性太强、参数设置不当不能搜索到全局最优解、容易丢失当前最优解等问题提出了新的初始解选择方案、新解生成机制和当前解的改良及增加记忆功能等方法.实验结果表明,新算法传统的模拟退火算法具有更快的收敛速度和更高的稳定性.     

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.     

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。     

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.     

蚁群算法求解TSP问题若干改进策略的研究

蚁群算法是求解TSP问题的一个性能较好的仿生型的智能优化算法,但存在着运行时间长、容易陷入局部最优的缺点,导致停滞现象的出现,找不到全局最优解.实验表明,使用候选集合策略和局部搜索策略能提高算法所求得的解的质量,同时也会明显加快求解的速度.使用信息素变异和重新初始化策略,能增加路径探索的多样性,使算法对搜索空间的探索始终保持在一个合理的水平上,有效地避免算法陷入停滞状态,从而找到全局最优解.     

一种改进的Hopfield神经网络算法用于单元布局

利用改进的Ｈｏｐｆｉｅｌｄ人工神经网络模型，提出了用于求解ＶＬＳＩ系统单元布局的优化 算法。该算法具有简单的能量函数表达式，较快的收敛速度，可避免无效解。利用此算法对于６ 种较复杂的布局实例进行运算，在布局优化结果和运算速度方面都比同类研究有较大改进。     

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.     

TSP及其扩展问题的混合型启发式算法

就经典的旅行商问题（ＴＳＰ）及其扩展形式;瓶颈问题、多目标问题等给出一种混合型启发式算法,并知微机上予以实现,为困难的扩展型ＴＳＰ提供了新的求解手段。     

求解TSP的Hopfield网络权值修正算法分析

针对Ｈｏｐｆｉｅｌｄ神经网络在求解巡回推销员问题（ＴＳＰ）时出现的无效解和局部极小值问题，本文结合网络动态分析，利用权矩阵特征值在网络内部动力特性与外在解表现形式之间的关联作用，通过各特征值间关系协调，对基于原模型的权值修正方案作进一步理论分析与改进，探讨网络收敛于全局有效解的途径，并在全国３１省、市、自治区ＴＳＰ模拟中收到较好效果。     

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.     

基于混合混沌优化法的Hopfield网学习算法

提出了一个基于混合混沌优化法的Hopfield网学习算法。通过对Hopfield网权值不等式的处理,训练Hopfield网。利用混合混沌法的优点,即混沌的遍历性和禁忌搜索的“记忆性”和期望准则,有效地避免了局部最小解,克服了原Hopfield网学习的局限性,还能找到多个优化解。实验证明了该算法的有效性。     

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。     

Hopfield网络优化及证券投资组合问题求解

证券投资组合问题属于大规模注解问题，如何提高模型运算的速度和精度，决定了模型能否在实际中获得广泛应用。本利用Hopfield网络求解证券投资组合问题，以求提高求解的速度和精度，通过对建立的模型进行模拟运算，计算机运行结果证明该方法是可行的，运用神经网络模型的硬件构造进行求解，无疑将大大在提高模型的运算速度和精度，从而使证券投资组合更易于获得实际应用。     

应用Hopfield神经网络优化最大熵的图像恢复算法

基于图像最大熵分析,提出了一种基于Hopfield神经网络优化的图像恢复算法.将图像恢复问题转化为Hopfield神经网络优化问题,取恢复图像熵函数最大以及原始图像与恢复图像之间的误差平方和最小作为图像恢复的目标,构造能量函数连续型Hopfield神经网络模型,由Hopfield神经网络能量函数极小化可得到问题的优化解,其算法通过仿真实验,验证了算法的优越性.     

基于蚁群算法求解TSP

蚁群算法是通过模拟蚂蚁觅食而发展出的一种新的启发式算法,被广泛地用于解决组合优化问题,它是新兴的仿生进化算法,具有并行计算、正反馈等特点,具有较强的发现问题的能力,在许多领域得到应用。文章应用蚁群算法求解TSP问题,分析了蚁群算法的原理、特征、参数及求解TSP问题的具体实现步骤。     

改进的遗传算法求解TSP

阐述了一种针对TSP问题的改进遗传算法。引入了局部优化搜索算法。加快了算法的收敛速度。减轻了初值对结果的影响。加入了改进的OX交叉算法,在交叉中合理保留了优秀个体基因的排列顺序。利用精英复制保留了优秀基因。维持了种群个体数目稳定。提出了一种新的变异算法,有效避免了路径重复,减小了运算量,提高了运算速度。