广义细胞自动机的结构及其硬件实现

该文作者曾提出了广义细胞自动机(GCA)的原理和并行算法．并且应用于网络快速包交换等动态优化问题．该文进一步讨论了这种新的广义细胞自动机的体系结构、算法的硬件实现及其电路设计。它们对于GCA的实际应用有重要意义．GCA结构不同于Hopfield神经网络(HNN)和细胞神经网络(CNN)，GCA由多层次多粒度宏细胞组成塔形结构．它具有多粒度的宏细胞动力学特征．相同粒度宏细胞之间没有交互，但不同粒度宏细胞之间存在一定程度的交互或反馈．分析和实验表明．在问题求解的优化性、实时性、硬件实现复杂性等方面．该文给出的GCA结构和硬件实现．与HNN和CNN相比有诸多优点．     

基于广义细胞自动机的网络信息自组织利用方法

目前的网络信息利用模式存在着严重缺陷，它将网络上发生的海量、随机、分布、并行的信息利用行为当作是没有后效的和彼此无关的．该文提出一种新的基于网络信息自组织的信息利用模式以及基于广义细胞自动机的网络信息自组织方法．按照本文的信息利用模式，网络信息利用行为总是伴随着信息内容在网络中的扩散，网络信息利用行为成为有后效的和相关的，从而导致不同信息内容和不同内容粒度的分布式的信息自组织结构，形成基于这种信息自组织结构的网络信息利用模式．文中进而提出一种广义细胞自动机的模型、结构和算法，通过群体智能，发现网络中的信息自组织结构．分析和实验表明，基于广义细胞自动机的的网络信息自组织利用模式，在效率、自适应性和可靠性等方面优于目前的网络信息利用方法．     

基于并行遗传神经网络算法的动态路径选择方法

实时、高效的求解大规模路网中的最优路径是动态路径诱导领域的研究难点。针对基本遗传算法在计算大型网络的优化问题时表现出的求解效率低等缺点,在基本遗传算法中引入了子群体和迁移策略,提出了基于并行遗传算法的最优路径选择方法,设计了适用于路径优化的编码方式、适应度函数、遗传操作算子和迁移算子,并采用神经网络预测方法构造了实时动态的路阻矩阵。仿真试验表明:该方法的准确性、实时性和快速性优于基本遗传算法,并且大规模路网中求解效率和求解质量的平衡问题也得以解决。     

基于并行遗传神经网络算法的动态路径选择方法

实时、高效的求解大规模路网中的最优路径是动态路径诱导领域的研究难点.针对基本遗传算法在计算大型网络的优化问题时表现出的求解效率低等缺点,在基本遗传算法中引入了子群体和迁移策略,提出了基于并行遗传算法的最优路径选择方法,设计了适用于路径优化的编码方式、适应度函数、遗传操作算子和迁移算子,并采用神经网络预测方法构造了实时动态的路阻矩阵.仿真试验表明该方法的准确性、实时性和快速性优于基本遗传算法,并且大规模路网中求解效率和求解质量的平衡问题也得以解决.     

实现并行搜索和符号逻辑算法的高阶二维时态－竞争激励神经网络方法

本文提出并行搜索和规划算法，以及实现它们的高阶二维时态－竟争激励神经网络．这种网络还能实现基于传统符号逻辑的许多问题求解算法．本文的方法克服了通常的神经网络求解优化问题的缺陷．同时，也避免了符号逻辑算法的串行性及符号逻辑Ｓｙｓｔｏｌｉｃ结构复杂性等问题．给出了求解隐式图搜索、ＬＣＳ问题、ＴＳＰ问题及０－１背包问题的实例．     

基于岛屿群体模型的并行粒子群优化算法

为改善粒子群优化算法对大规模多变量求解的性能，提出了基于岛屿群体模型的并行粒子群优化算法．对粒子群优化算法机理和本质并行性进行分析，设计和实现了一种并行粒子群优化算法．实验结果表明，基于岛屿群体模型的并行粒子群优化算法不仅提高了求解效率，而且改善了早收敛现象，算法的性能比经典粒子群优化算法有了很大提高．     

多Agent系统分布式问题求解的代数模型方法(Ⅱ): 群体智能和社会动力学

该文是组合论文中第二篇，讨论多Agent系统分布式问题求解的代数模型中的特性层和动力学层，即没粒度Agent群体的宏观群体智能的形式优化代数模型以及宏观社会智能与Agent个体间微观社会行为之间的社会动力学模型，提出了基于这种新的代数模型方法的超分布超并行社会智能问题求解算法，关于分布式多任务自组织规划和资源自组织分配的仿真实验以及与其它方法的比较分析，表明了该文提出了代数模型和问题求解方法的特点和有效性。     

基于神经网络的特征结构并行提取算法研究

为并行实时地提取数据协方差矩阵的信号特征结构,从特征结构并行提取的约束优化问题表示入手,利用梯度方法和迭代法构建了可实时并行提取信号特征向量矩阵的直接神经网络求解法和基于能量函数的神经网络求解算法,并形成了相关迭代学习算法.理论分析表明当数据样本足够大时,算法的迭代结果就是数据协方差矩阵信号特征结构的一个良好估计,同时计算机仿真亦验证了算法的有效性.另外,仿真试验亦表明可以通过调节加权矩阵D的对角元来控制算法的收敛速度.     

基于吸引域的总体极小化问题的神经网络求解

神经网络求解优化问题具有非常强大的实时计算功用,因此近年来受到了密切的关注.这里考察了求解无约束总体极小化问题的神经网络方法,提出了一种新的网络求解模型.从基于吸引域分析方法为出发点证明了所给网络平稳点集合的全局吸引性.分析了网络的电路实现,并估计了各个平稳点的吸引域.这些理论分析与估计是构造所提神经网络模型的依据,同时也是网络可靠运行的基础.此外,数值模拟试验也充分揭示了这个网络模型在实际运行中都能够很好地求解总体极小化问题,是一个十分有效的神经网络系统.这里的结果表明:这里提出的网络模型无论从理论上还是实际运行中都能够可靠且稳定地求解总体极值问题,基于吸引域构造神经网络的方法是一种很有潜力的神经网络求解优化问题的研究方向.     

求解广义特征根问题的反馈神经网络方法

研究了广义特征根问题求解的神经网络方法,给出了求解该问题的一个时间连续性反馈网络模型,利用LaSalle不变原理分析并证明了该网络的拟全局收敛性,这是网络能够确切的求解广义特征根问题的保证．同时,该网络解决了已有的基于罚函数方法构造的特征根问题的神经网络存在的一些基本缺陷: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保证．本文所提出的网络模型解决了这些问题,并且,此网络具有一个很好的特征就是在初始点选定在问题的可行解集的话,网络轨线将永远是可行的并收敛到一个广义特征向量．最后,数值模拟也表明这里所提出的网络的可靠性能,进一步证明了此网络可以很好地求解广义特征根问题．     

基于神经网络的一类大系统动态递阶优化方法

提出了一种用于求解离散时间大系统动态递阶优化问题的神经网络模型 (LHONN),该网络以全集成化为特征:1)各子系统的动态方程嵌入相应的局部优化网络中, 使得网络结构具有较低的维数,易于硬件实现;2)其上级协调网络和局部优化网络的求解过 程同时进行,优化求解速度高,适宜于实时系统优化.     

Neural network and genetic algorithm-based hybrid approach to expanded job-shop scheduling

The expanded job-shop scheduling problem (EJSSP) is a practical production scheduling problem with processing constraints that are more restrictive and a scheduling objective that is more general than those of the standard job-shop scheduling problem (JSSP). A hybrid approach involving neural networks and genetic algorithm (GA) is presented to solve the problem in this paper. The GA is used for optimization of sequence and a neural network (NN) is used for optimization of operation start times with a fixed sequence.

After detailed analysis of an expanded job shop, new types of neurons are defined to construct a constraint neural network (CNN). The neurons can represent processing restrictions and resolve constraint conflicts. CNN with a gradient search algorithm, gradient CNN in short, is applied to the optimization of operation start times with a fixed processing sequence. It is shown that CNN is a general framework representing scheduling problems and gradient CNN can work in parallel for optimization of operation start times of the expanded job shop.

Combining gradient CNN with a GA for sequence optimization, a hybrid approach is put forward. The approach has been tested by a large number of simulation cases and practical applications. It has been shown that the hybrid approach is powerful for complex EJSSP.     

Improved conditions for global exponential stability of recurrent neural networks with time-varying delays

This paper presents new theoretical results on global exponential stability of recurrent neural networks with bounded activation functions and time-varying delays. The stability conditions depend on external inputs, connection weights, and time delays of recurrent neural networks. Using these results, the global exponential stability of recurrent neural networks can be derived, and the estimated location of the equilibrium point can be obtained. As typical representatives, the Hopfield neural network (HNN) and the cellular neural network (CNN) are examined in detail.     

基于混沌粒子群算法和Hopfield网络求解TSP问题

针对Hopfield网络求解TSP问题经常出现局部最优解,该文将混沌粒子群算法(PSO)与之结合,提出一种基于混沌粒子群的Hopfield神经网络方法。通过实验将其与文献[5,8]以及"PSO+HNN"策略比较,验证了该文算法不仅能够以更大概率收敛到全局最优,而且耗时更少。     

基于混沌粒子群算法和Hopfield网络求解TSP问题

针对Hopfield网络求解TSP问题经常出现局部最优解,该文将混沌粒子群算法（PSO）与之结合,提出一种基于混沌粒子群的Hopfield神经网络方法。通过实验将其与文献[5,8]以及“PSO＋HNN”策略比较,验证了该文算法不仅能够以更大概率收敛到全局最优,而且耗时更少。     

Design of efficient hybrid neural networks for flexible flow shop scheduling

Abstract: Although neural networks have been successfully used in performing pattern recognition, their application for solving optimization problems has been limited. In this paper we design a neural network to solve a well‐known combinatorial problem, namely the flexible flow shop problem. A key feature of our neural network design is the integration of problem structure and heuristic information in the network structure and solution. We compare the performance of our neural network with well‐known current heuristics with respect to solution quality. The results indicate that our approach outperforms the heuristics.     

Gradient Computation of Continuous-Time Cellular Neural/Nonlinear Networks with Linear Templates via the CNN Universal Machine

Single-layer, continuous-time cellular neural/nonlinear networks (CNN) are considered with linear templates. The networks are programmed by the template-parameters. A fundamental question in template training or adaptation is the gradient computation or approximation of the error as a function of the template parameters. Exact equations are developed for computing the gradients. These equations are similar to the CNN network equations, i.e. they have the same neighborhood and connectivity as the original CNN network. It is shown that a CNN network, with a modified output function, can compute the gradients. Thus, fast on-line gradient computation is possible via the CNN Universal Machine, which allows on-line adaptation and training. The method for computing the gradient on-chip is investigated and demonstrated.     

Real time identification and control of dynamic systems using recurrent neural networks

Recently, several recurrent neural networks for solving constraint optimization problems were developed. In this paper, we propose a novel approach to the use of a projection neural network for solving real time identification and control of time varying systems. In addition to low complexity and simple structure, the proposed neural network can solve wider classes of time varying systems compare with other neural networks that are used for optimization such as Hopfield neural networks. Simulation results demonstrate the effectiveness and characteristics of the proposed neural network compared with a Hopfield neural network.     

Hopfield neural network implementation of the optimal CDMAmultiuser detector

We investigate the application of Hopfield neural networks (HNN's) to the problem of multiuser detection in spread spectrum/CDMA (code division multiple access) communication systems. It is shown that the NP-complete problem of minimizing the objective function of the optimal multiuser detector (OMD) can be translated into minimizing an HNN “energy” function, thus allowing to take advantage of the ability of HNN's to perform very fast gradient descent algorithms in analog hardware and produce in real-time suboptimal solutions to hard combinatorial optimization problems. The performance of the proposed HNN receiver is evaluated via computer simulations and compared to that of other suboptimal schemes as well as to that of the OMD for both the synchronous and the asynchronous CDMA transmission cases. It is shown that the HNN detector exhibits a number of attractive properties and that it provides a powerful generalization of a well-known and extensively studied suboptimal scheme, namely the multistage detector