协同神经网络求解流动推销员问题方法——确保单回路的神经网络方法

神经网络方法求解流动推销员问题(Travel Salesman Problem,简称TSP问题)时,往往产生不满足TSP的单回路约束的不可行解.基于协同神经网络的方法解决TSP,并设计了一个回路合并算法,确保得到满足TSP的单回路约束的解.通过算例进行数值模拟,并且比较了新算法、标准遗传算法和标准模拟退火算法的求解结果.实验结果表明,说明该方法在求解TSP 问题上是行之有效的.     

关于流动推销员运筹学问题的研究

本文综述了对 TSP 近30年来的研究成果.在深入分析各种确定型算法、启发式算法和混合算法的基础上,指出未来的研究重点在于开发更有效的启发式算法和混合算法、研究 TSP 的“可解决型”情况以及研究算法的最坏情形分析、概率分析和统计分析.     

单回路运输问题的表上作业求解

基于单回路运输问题的数学模型的特征与多点间运输问题有相似之处,提出了单回路运输问题的表上作业求解法;并探讨了该方法的求解适用原则,除了适用大部分多点间运输问题可行解的确定原则法外,还可以和其启发式算法——最近邻点法结合使用.但运用闭回路法优化时易产生子回路,优化方法有待继续探索.     

用改进的噪声混沌神经网络模型求解组合优化问题

混沌模拟退火方法（CSA）在解决组合优化问题时有很强的搜索能力。其中系数α代表能量函数对动态性的影响，α太大，能量函数影响太强，以至于无法得到暂态混沌现象，α太小，能量函数的影响太弱，从而无法收敛到最优解。提出了一种自适应参数动态调整方法，随着能量函数的逐渐减小，通过加大α，保持能量函数在整个搜索过程中对搜索动态性保持一定的影响，从而加快搜索速度，同时保持搜索的精度。计算机仿真结果表明，在保持和增强搜索能力的同时，文中动态参数算法所用时间与现有的算法相比可以减少20％－50％。     

求解边界约束最优控制问题的神经网络

提出了一种求解控制变量含有边界约束最优控制问题的神经网络模型(COCNN).该模型将控制系统动态方程的等式约束隐含于神经网络COCNN结构中,克服了动态方程约束所带来的求解优化问题的困难;仅将控制系统的控制变量选为COCNN的状态变量,从而降低了神经网络的维数;利用饱和特性处理边界约束,可以求得最优控制问题的精确最优解;该COCNN无论是在硬件实现,还是在用数字计算机进行软件仿真方面,都特别适合于并行处理,可显著提高问题的求解速度,具有广阔的应用前景。     

求解线性互补问题的神经网络方法

研究了线性互补问题.基于解的充分必要条件,提出了求解它的一个神经网络模型;构造了恰当的Liapunov函数,给出了该模型稳定和大范围渐近收敛的充分条件;研究了其全局指数稳定性,并用数值实例说明了该模型的可行性和有效性.该模型不需要设定网络参数,可用来求解一类非单调的互补问题.     

求解广义互补问题的神经网络方法

构造了求解广义互补问题的一个神经网络模型.分析了该模型解的存在性、收敛性及其李雅普诺夫稳定性、渐近稳定性和指数稳定性.并给出了一些数值模拟结果.     

用Hopfield神经网络求解八皇后问题

用Hopfield神经网络求解名的古典人工智能约束的八皇后问题，由Java语言给出仿真结果，程序在Visual J 6.0上编译通过。     

神经网络中的一种改进的快速退火方案

本文详细讨论传统模拟退火的优缺点.在此基础上提出一种改进的快速退火方案.并对它的理论和应用进行讨论与分析。     

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。     

求解凸不等式组问题的神经网络方法

考虑了凸不等式组问题,通过将其转化为一个极大极小问题,进而转化为等价的凸规划问题,提出了求解它的一个神经网络模型。并严格证明了该模型是Lyapunov稳定的,且在有限时间内收敛到原问题的一个精确解。     

求解线性规划问题的神经网络模型

提出了一个解线性规划问题了增广的神经网络模型，证明了该网络全局稳定子平衡点，而平衡点就是线性规划问题的解，该网络的优点是，能够实时获得问题的精确解，且可以同时获得带等式或不等式约束的对偶问题解，该网络易于电路实现。     

用时间间隔分段法求解介观单回路有源RLC电路的态函数

通过正则变换，研究了具有一般性的介观单回路有源RLC电路的量子化，并用时间间隔分段法得出了系统处于真空态的态函数。     

广义特征根问题求解的神经网络方法分析

讨论了广义特征根问题求解的神经网络方法,包括网络模型,稳定性问题等.在很一般的条件下证明了网络的总体稳定性问题,这些对于网络的可靠运行与有效运行提供了理论基础.与已有的神经网络模型相比较,这里提出的网络模型克服了它们的一些基本缺陷:其一,基于罚函数的网络模型所得到的解可能不是真解,甚至可能都不是可行解;其二,它们的共同缺陷是有一个需要调节的参数,但是参数的选择并没有一个可供参考的准则;其三,这些模型的稳定性无法证明,但这是网络能否可靠运行的关键问题.由于这里所提出的网络模型解决了这些关键问题,因此,特征根问题求解的神经网络方法可以通过此模型得到很好的实现.     

TSP问题的一种新解法及其神经网络实现

本文给出一种解TSP问题的新方法,在保证路径有效的前提下,所求出的准最优解优于或至少近似于用以前各种方法所求出的解.特别是避免了用Hopfield模型时常常存在的许多不足.文中同时给出这一算法的神经网络实现与仿真结果.     

旅行推销员问题凸包方法的性能比分析

在欧几里德平面上证明了旅行推销员问题的凸包方法的性能比上界为n／2,同时给出了凸包随意插入算法的性能比可以接近n／2的例子。另外,对凸包增量最小插入法、凸包最近插入法及凸包最近加入法给出了性能比不超过3的证明。     

求解具有约束的l1-范数问题的神经网络模型

提出了一个解约束最小 l₁-范数问题的单层神经网络模型。与已有神经网络模型相比,提出的模型所需神经元数少且层数少。通过引入 Lyapunov 函数,证明了该模型的稳定性和收敛性。数值试验结果表明所提出的模型具有良好的性能。     

求解弹塑性有限元问题的神经网络方法

利用神经网络优化计算原理,引入LPNN(Lagrange Programming Neural Network)模型求解弹塑性有限元问题.通过采用非线性函数作为神经元的传递函数,使神经网络的非线性问题同力学的非线性问题得到统一.对两个简单的弹塑性问题进行了数值仿真,计算结果表明了该方法的正确性及有效性.     

简单图中回路问题的求解

回路是图论中一个重要的概念 ,在软件设计中也有广泛的应用。文章对简单图中回路的搜索问题进行了详细的讨论 ,在原有针对结点的遍历算法基础上构造出适用于路径搜索的算法 ,并着重分析了在无向图中简化搜索路径、提高算法效率的问题 ,使之成为更具一般性的回路搜索算法