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.     

用遗传算法消除改进HNN的寄生点

在Hopfield网络 (HNN)权值训练中采用了传统HNN训练的方法 ,把权值矩阵压缩为一个向量 ,简化了权值训练过程 ,增大了HNN的容量。但在回想阶段HNN产生了大量寄生点 ,相关文献提出了几种寄生点消除的方法 ,但效率低 ,同时会导致样本信息的丢失。利用遗传算法 (GA)进行回想 ,保持了样本信息 ,并利用GA各代多样性 ,大大提高了HNN的效率。通过MATLAB程序仿真证实了这一结论。     

基于神经网络的游梁式抽油机四连杆机构的优化设计

简单介绍了用Hopfield神经网络优化的原理，通过对游梁式抽油机性能、结构的分析，提出以悬点最大加速度作为目标函数的基于Hopfield神经网络的优化设计方法，给出优化设计数学模型及优化前后CYJYl2-4．2-73型抽油机的性能参数对比，该法提高了抽油机的性能。