Hopfield神经网络在机组组合问题中的应用

提出利用多层Hopfield神经网络求解机组组合优化问题。通过构造合适的能量函数使得单层Hopfield神经网络可以解决某一时刻的机组出力问题,与之相对应的多层神经网络可以解决任意时间段的机组出力问题。多层Hopfield神经网络的层数由所需求解问题的时间段确定。给出单层及多层神经网络的能量函数及求解算法,能量函数考虑到机组升降功率和出力上下限的约束。通过对已有文献的算例进行计算比对,所得结果和遗传算法基本一致,但Hopfield神经网络通过解微分方程组来确定最优解,计算时间相对较少。     

一种基于遗传Hopfield神经网络求解TSP问题的算法

针对Hopfield网络求解TSP问题时出现无效解和收敛性能差的问题,对约束条件能量函数进行改进,构造了一种求解TSP问题的遗传Hopfield神经网络算法,并与经典Hopfield神经网络求解TSP方法进行对比.实验结果表明,本文算法具有更好的整体求解性能.     

一种Hopfield神经网络算法复杂性研究的新方法

首先分析了基于Hopfield神经网络的TSP问题求解方法,提出从研究能量函数、状态空间分布和可行解的关系来研究以Hopfield为代表的优化神经网络的计算复杂性的思想;并给出从状态空间到线性表的映射方法,引入状态-程序复杂性。分析结果表明,绝对状态一程序复杂性更为充分地反映能量函数的求解过程;相对状态-程序复杂性提供了一种在多项式时间内对NP问题算法的有效性进行衡量的尺度。     

一种关于目标罚参数的精确罚函数法

罚函数法是一种将约束优化问题转化为无约束问题的重要方法.对于一般的约束优化问题,通过加入新参数,给出了一种改进的精确罚函数和这种罚函数的精确罚定理证明,提出了求解这种罚函数的算法.实验表明该算法是有效的.     

基于精确罚函数的一类广义非线性神经网络模型

针对一般的非线性优化问题定义了一种2次非线性罚函数,证明了在一定条件下对 应的罚优化问题的精确罚定理,由此引进了一种广义非线性神经网络模型,并证明了这种网络 的平衡点与能量函数之间的联系,在一定条件下对应的平衡点收敛到原问题的最优解.这种神 经网络模型对于求解许多优化问题具有重要的作用.     

求解旅行商问题的几种智能算法

旅行商问题（TSP）是一个典型的组合优化问题,易于描述却难于求解。对于大规模TSP问题,目前仍未有非常有效的方法,如何快速有效的求解TSP问题有着重要的理论价值和实际意义。文章介绍了什么是TSP,论述了目前求解旅行商问题较为有效的六种智能算法（遗传算法、蚁群算法、Hopfield神经网络算法、模拟退火算法、人工免疫算法、混合优化算法）,并简单阐述了其优缺点,给出了未来针对TSP问题的研究重点。     

一种求解旅行商问题的LV回复式神经网络模型

旅行商问题是一个组合优化问题。首先,构造一个能量函数来表示旅行商问题,该能量函数的能量最小点对应一条有效的近似最优访问路径;然后,构造一种LV神经网络模型来求解该能量函数的能量最小点。实验结果表明,本文提出的LV神经网络模型能够收敛到能量最小点,并且与Hopfield网络相比,该LV神经网络模型具有更好的求解性能。     

利用Hopfield神经网络求解旅行商问题研究

本文主要研究利用连续的Hopfield网络求解TSP问题,从连续的Hopfield神经网络原理出发,结合TSP问题的要求,在给定参数要求下求得问题的最优解。并分析了实际算法的弱点,给出分析改进算法,加快了算法的收敛速度,改善有效解并提高最优解的比例。     

采用不可微精确罚函数的约束优化演化算法

针对多数已有的采用罚函数的约束优化遗传算法存在优化效果差的问题 ,提出了一种新的求解约束优化问题的演化算法 .借助不可微精确罚函数把约束问题转化为单个无约束问题来处理 .采用混合杂交和间歇变异来提高算法的搜索能力 .数值实验结果表明了新算法的优化效果远远优于已有的几种采用罚函数的遗传算法     

动态罚函数法求解约束优化问题

针对罚函数法在求解约束优化问题时罚系数不易选取的问题,提出一种基于动态罚函数的差分进化算法.利用罚函数法将约束优化问题转化为无约束优化问题.为平衡种群的目标函数和约束违反程度,结合ε约束法设计了一种动态罚系数策略,其中罚系数随着种群质量和进化代数的改变而改变.采用差分进化算法更新种群直到搜索到最优解.对IEEE CEC...     

一种高效的函数可微的全局优化模拟退火算法

针对函数可微的全局优化问题,将最速下降法,Newton法和罚函数法引入模拟退火算法中,提出了一种高效的模拟退火算法.该算法可以求得可微函数优化问题的全局最优解,且具有计算量小,效率高的特点.利用罚函数将约束优化问题转化为无约束优化问题后,可以利用提出的算法进行求解.数值算例表明,提出的算法能够高效地求解无约束及带约束的函数可微的全局优化问题.     

一种求解线性约束QoS路由的神经网络

QoS路由的基本问题是在满足多个约束条件的基础上对某个参数或多个参数进行优化.人工神经网络已成为求解大规模优化问题的一种有效方法,合适的神经网络能实时地得到问题的精确解.本文研究满足时延条件的最小耗费QoS路由问题,建立了一种新的Hopfield神经网络模型,研究了神经网络各参数之间的关系,并证明了通过适当选取参数,神经网络的可行解是渐进稳定的.计算实例表明了新网络模型的有效性.     

求解超大规模旅行商问题的纵深遗传算法

很多演化算法对初始参数设计都敏感,针对于不同的旅行商问题（Traveling Salesman Problem,TSP）实例需要进行相应的初始参数调整。并且,在求解超大规模TSP问题时容易陷于局部最优解。提出了一种纵深遗传算法的TSP问题求解方案,以及新的改良函数、变异函数和交叉函数。对pr1002（259 269.09）、pla85900（152 394 182.43）和brd14051（489 842.93）等实例都获得了比较好的优化解。实验表明该方案在求解TSP问题方面具有优势。     

智能优化算法求解TSP 问题

TSP（旅行商）问题代表组合优化问题，具有很强的工程背景和实际应用价值，但至今尚未找到非常有效的求解方法．为此，讨论了最近研究比较热门的使用各种智能优化算法（蚁群算法、遗传算法、模拟退火算法、禁忌搜索算法、Hopfield神经网络、粒子群优化算法、免疫算法等）求解TSP问题的研究进展，指出了各种方法的优缺点和改进策略．最后总结并提出了智能优化算法求解TSP问题的未来研究方向和建议．     

基于基因表达式编程的TSP问题求解

利用遗传算法求解组合优化问题时,需要特有的遗传算子,才能在候选解空间中有效搜索和进化。基因表达式编程（GEP）是进化计算家族的新成员。旅游商问题（TSP）是典型的组合优化问题,得到了广泛的研究,它的研究成果将对求解NP类问题产生重要影响。基于基因表达式编程（GEP）来解决TSP问题,引入适用组合优化的遗传算子：逆串,基因串的删/插等,最后进行了实验,展示GEP解决TSP问题的方法。实验表明GEP能有效解决TSP问题,设计的系统是强壮健康,其求解速度快且解的质量好。     

基于量子神经网络的MIMO信号检测技术

MIMO信号的最优检测在常规条件下是一NP难解问题。利用量子并行计算和量子纠缠等特性,量子计算与人工神经网络结合的量子神经网络能有效的解决这一问题。本文采用Hopfield神经网络实现MIMO信号检测,利用基于检测序列最大后验概率最佳接收似然函数与Hopfield神经网络的能量函数对应关系,构造一种量子神经网络的MIMO检测器。计算仿真结果表明:本文所提出的检测器在误码率方面有良好的性能。     

基于连续Hopfield网络求解TSP的新方法

当连续Hopfield网络及其能量函数同时具有自反馈或不具有自反馈时,称之为一致连续Hopfield网络．在分析了一致连续Hopfield网络能量稳定性的基础上,进一步研究了当网络有自反馈,而其能量函数无自反馈的情况下,网络能量变化的性质,分别给出了使能量函数上升、下降和不变的条件．利用这一理论,可以克服由于梯度下降法所导致的网络能量函数总是下降,从而使网络陷入局部极小值或不可行解的现象．最后在这个理论的基础上我们给出了一种新的求解TSP(traveling salesman problem)的方法,仿真研究表明此方法对于求解TSP问题是很有效的．     

基于量子神经网络的MIMO信号检测技术

MIMO信号的最优检测在常规条件下是一NP难解问题。利用量子并行计算和量子纠缠等特性,量子计算与人工神经网络结合的量子神经网络能有效的解决这一问题。本文采用Hopfield神经网络实现MIMO信号检测,利用基于检测序列最大后验概率最佳接收似然函数与Hopfield神经网络的能量函数对应关系,构造一种量子神经网络的MIMO检测器。计算仿真结果表明：本文所提出的检测器在误码率方面有良好的性能。     

基于区间优化的神经网络全局优化方法

Hopfield神经网络被广泛应用于优化问题的求解中,而传统的Hopfield网络通常基于梯度下降法,此方法容易陷入局部极小而得到次最优解或收敛到问题的不可行解。另外,当用于训练网络样本的输入/输出数据无法精确给出,而只能以一定的范围的形式给出时,传统的神经网络学习方法就无能为力了。论文提出了一种基于区间优化的神经网络学习算法,可以很好地解决上面所提到的传统神经网络学习算法的缺点。     

连续神经网络在高频率离散问题求解中的应用

应用连续神经网络来解高频率离散问题，并采用最佳机票超额预定作为具体应用实例。在对上述问题的求解过程中，根据机票超额预定的规章制度和Hopfield连续神经网络理论建立数学模型，利用BP算法和模糊推理系统计算了Hopfield网格各节点之间的联系。这一应用对神经网络参与优化问题求解有较为重要的意义。