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.     

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。     

基于精确罚函数的神经网络优化方法求解TSP问题

利用精确罚函数方法结合神经网络来求解最优化问题,重点求解的是组合优化问题的TSP经典问题,重点讲述的是Hopfield神经网络基于精确罚函数求解组合优化问题TSP,在用Hopfield神经网络求解TSP问题时,人工神经网络的初始态对应着无约束优化问题的初始解,人工神经网络系统的稳态对应着无约束问题的优化解。在求解TSP问题中是利用能量函数来构造的。当人工神经网络系统达到稳定状态时的一个极小点也就是TSP问题的最优解。     

一种基于聚类技术的Hopfield网络求解TSP方法

Hopfiled神经网络方法已被广泛用于求解旅行商问题（TSP），但对于解中规模和大规模的TSP，存在效果不理想甚至难以求解的问题。为了较好地解决这个问题，该文提出一种K-Means聚类算法与Hopfield网络方法相结合求解TSP的新方法，先应用聚类算法对所给城市进行聚类以获得几组规模较小的城市，然后对每一组城市应用Hopfield网络方法进行求解，最后把求解后的每组城市连接起来。计算机仿真结果表明，该方法可以获得最优有效解，并且解的质量明显提高，对求解中大规模的TSP比较有效。     

求解TSP问题的社会演化算法

将社会演化算法和蚁群算法相结合,以蚁群算法作为认知主体的推理过程,再以范式的学习和更新方式获得最优解,提出一种求解TSP问题的社会演化算法。最后通过两个算例实验仿真与TSP已知最优解进行对比分析,结果表明,社会演化算法在种群规模较小,迭代次数较少的情况下也可获得TSP最优解。     

蚁群系统求解TSP问题的性能分析

TSP问题是组合优化中经典的问题,蚁群系统是求解TSP问题诸多算法中取得较好性能的一种启发式算法.从运行时间分布和解的性能分布角度对算法求解TSP的性能进行了分析,得出了一些有实际指导意义的结论:算法找到最优解的概率是随着运行时间的增加而增大的;算法运行前期改进解的性能速度较快,但后期明显减慢;可以通过重启策略获得与最优解距离在一定范围内的解.     

求解TSP问题的人工鱼群算法

人工鱼群算法在函数优化问题中取得了较好的应用,但在组合优化问题中的应用相对较少。因此,文中用人工鱼群算法来求解TSP问题,并与标准粒子群算法和基本遗传算法进行了比较分析。通过仿真实验对公认的TSP测试数据中算例Oliver30进行测试并与目前已知最优解进行了对比,结果表明,人工鱼群算法解决TSP问题时可以收敛到已知最优解,并且解的质量要优于标准粒子群算法和基本遗传算法。     

求解TSP问题的人工鱼群算法

人工鱼群算法在函数优化问题中取得了较好的应用,但在组合优化问题中的应用相对较少。因此,文中用人工鱼群算法来求解TSP问题,并与标准粒子群算法和基本遗传算法进行了比较分析。通过仿真实验对公认的TSP测试数据中算例Oliver30进行测试并与目前已知最优解进行了对比,结果表明,人工鱼群算法解决TSP问题时可以收敛到已知最优解,并且解的质量要优于标准粒子群算法和基本遗传算法。     

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．     

Scheduling multiprocessor job with resource and timing constraintsusing neural networks

The Hopfield neural network is extensively applied to obtaining an optimal/feasible solution in many different applications such as the traveling salesman problem (TSP), a typical discrete combinatorial problem. Although providing rapid convergence to the solution, TSP frequently converges to a local minimum. Stochastic simulated annealing is a highly effective means of obtaining an optimal solution capable of preventing the local minimum. This important feature is embedded into a Hopfield neural network to derive a new technique, i.e., mean field annealing. This work applies the Hopfield neural network and the normalized mean field annealing technique, respectively, to resolve a multiprocessor problem (known to be a NP-hard problem) with no process migration, constrained times (execution time and deadline) and limited resources. Simulation results demonstrate that the derived energy function works effectively for this class of problems.     

基于神经网络的B运输问题求解算法

构造了一个B运输问题的等价模型,依据此模型,利用连续Hopfield网络求解,最后给出了一些示例.     

基于局部进化的Hopfield神经网络的优化计算方法

提出一种基于局部进化的Hopfield神经网络优化计算方法，该方法将遗传算法和Hopfield神经网络结合在一起，克服了Hopfield神经网络易收敛到局部最优值的缺点，以及遗传算法收敛速度慢的缺点。该方法首先由Hopfield神经网络进行状态方程的迭代计算降低网络能量，收敛后的Hopfield神经网络在局部范围内进行遗传算法寻优，以跳出可能的局部最优值陷阱，再由Hopfield神经网络进一步迭代优化。这种局部进化的Hopfield神经网络优化计算方法尤其适合于大规模的优化问题，对图像分割问题和规模较大的200城市旅行商问题的优化计算结果表明，其全局收敛率和收敛速度明显提高。     

“Optimal” Hopfield network for combinatorialoptimization with linear cost function

An "optimal" Hopfield network is presented for combinatorial optimization problems with linear cost function. It is proved that a vertex of the network state hypercube is asymptotically stable if and only if it is an optimal solution to the problem. That is, one can always obtain an optimal solution whenever the network converges to a vertex. In this sense, this network can be called the "optimal" Hopfield network. It is also shown through simulations of assignment problems that this network obtains optimal or nearly optimal solutions more frequently than other familiar Hopfield networks.     

An argument for abandoning the travelling salesman problem as a neural-network benchmark.

In this paper, a distinction is drawn between research which assesses the suitability of the Hopfield network for solving the travelling salesman problem (TSP) and research which attempts to determine the effectiveness of the Hopfield network as an optimization technique. It is argued that the TSP is generally misused as a benchmark for the latter goal, with the existence of an alternative linear formulation giving rise to unreasonable comparisons.     

Hopfield网络求解TSP的算法改进

本文在对Hopfield神经网络求解旅行商(TSP)问题的算法进行研究的基础上结合实例针对典型改进算法的优缺点作了进一步探讨。     

An asynchronous recurrent linear threshold network approach to solving the traveling salesman problem

In this paper, an approach to solving the classical Traveling Salesman Problem (TSP) using a recurrent network of linear threshold (LT) neurons is proposed. It maps the classical TSP onto a single-layered recurrent neural network by embedding the constraints of the problem directly into the dynamics of the network. The proposed method differs from the classical Hopfield network in the update of state dynamics as well as the use of network activation function. Furthermore, parameter settings for the proposed network are obtained using a genetic algorithm, which ensure a stable convergence of the network for different problems. Simulation results illustrate that the proposed network performs better than the classical Hopfield network for optimization.     

TSP问题的瞬态混沌神经网络算法

采用具有瞬态混沌特性的神经网络(TCNN)解TSP问题。利用神经元的自抑制反馈产生混沌动态，其遍历性能和随机搜索性能有效地克服了Hopfield神经网络(HNN)极易陷入局部极小的缺陷，同时利用一时变参数控制混沌行为，使网络再经过一个短暂的倍周期倒分岔后逐渐趋于一般的Hopfield神经网络，从而收敛到一个最优或近似最优的稳定平衡点。仿真结果表明，TCNN比HNN具有更强的全局寻优能力和更高的搜索效率。