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。     

双目标旅行商问题及其蚂蚁算法实验研究

对双目标旅行商问题设计了基于Pareto概念的多目标蚂蚁算法.借助于算法的全局搜索能力,在整个解空间内快速搜索多目标组合的Pareto有效解,并利用多目标蚂蚁算法维持解集多样性的特点,使搜索到的Pareto解在前沿均匀分布.经大量算例求解验证了其有效性,该算法具有较好的通用性.     

旅行商问题的遗传算法

旅行商问题属于ＮＰ问题，现在还没有找到有效的解法。本文应用遗传算法对解决此类问题的有效性作了探讨。文中对遗传算子的应用，编码，参数选择及其对收敛的影响等问题作了分析与探讨。     

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.     

满足客流需求的地铁列车延误协同调整方法

以尽快疏散客流为出发点,提出协同调整城市轨道交通初始延误列车前方列车的方法.基于列车能力与客流需求的交互关系、运行约束和调整时间约束,协调考虑车内乘客和站台乘客,以全部乘客总旅行时间最小为目标建立了整数规划模型,并构建多列车、多车站时刻调整的组合动态规划求解算法.实例验证结果表明了模型与算法的有效性,与其他方法相比,该协同调整方法得到了更少的乘客旅行时间.     

一种求解旅行商问题的信息传播算法

针对旅行商问题求解精度较差、容易陷入局部最优等缺点,提出一种新的求解旅行商问题的信息传播算法.根据旅行商问题的特征,将线性方程嵌入信息传播算法方程中得到旅行商问题的势函数,进而将其转换为因子图,在因子图上利用信息传播算法的迭代方程进行迭代计算.在迭代过程中选择边际信念的最小值,从而得到旅行商问题的初始解,在算法达到设定...     

求解TSP的离散人工蜂群算法

针对旅行商问题,提出了一种新型的离散人工蜂群算法.根据该优化问题及离散量的特点,对引领蜂、跟随蜂和侦查蜂角色转变机制和搜索策略进行了重新定义.蜂群角色转变基于定义的收益比因子.引领蜂邻域搜索采用2-Opt算子和学习操作来加速算法收敛速度;跟随蜂搜索引入禁忌表来提高算法的局部求精能力;侦查蜂搜索定义了排斥操作来保持种群的多样性,从而较好地平衡了算法的探索及开采能力.实验结果表明,算法能够在较短时间内找到相对满意解,提高了TSP的求解效率.     

基于遗传算法的约束性多TSP问题及其应用

针对一类具有约束条件的汽车调度问题 ,提出了约束性的多重 TSP(CMTSP)问题及其模型 ,给出了一种遗传算法解法。对比实验结果表明 :遗传算法具有比启发式算法更好的结果。     

用爱呵护幼小的心灵

办公室里新来了一位朋友——一盆美丽诱人的文竹。文竹从茎到叶都是绿色的，绿得直逼你的眼，显得十分清新雅致。文竹的叶子上有几颗小小的露珠，晶莹透明，好似珍珠，每当太阳向着文竹微笑的时候，那些小珍珠就会变成水蒸气到空中旅行去了。一阵微风吹过．文竹便会悠悠地荡漾．如一个翩翩起舞的绿衣少—女。