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。     

一种混沌Hopfiele网络及其在优化计算中的应用

文章讨论了神经网络算法在约束优化问题中的应用,提出了一种混沌神经网络模型。在Hopfield网络中引入混沌机制,首先在混沌动态下搜索,然后利用HNN梯度优化搜索。对非线性函数的优化问题仿真表明算法具有很强的克服陷入局部极小能力。     

一种混沌Hopfield网络及其在优化计算中的应用

文章讨论了神经网络算法在约束优化问题中的应用,提出了一种混沌神经网络模型。在Hopfield网络中引入混沌机制,首先在混沌动态下搜索,然后利用HNN梯度优化搜索。对非线性函数的优化问题仿真表明算法具有很强的克服陷入局部极小能力。     

基于改进能量函数的混沌神经网络JSP解法

针对传统Hopfield神经网络(HNN)在求NP类问题的解时易陷入局部最优点的不足,提出基于改进能量函数的模拟退火混沌神经网络算法。通过在Hopfield神经网络中引入混沌机制,并结合退火策略控制混沌动态,有效避免了陷入局部极小的缺陷,因此将其用于求解JSP（作业车间调度）。算法改进了表示JSP的换位矩阵,给出了包含目标函数的能量函数,保证了网络的稳态输出为全局可行解。     

基于神经网络量子算法的多用户检测器

利用遗传量子算法和Hopfield神经网络，提出了一种融合两种算法优点的神经网络量子算法，并将其应用到CDMA通信系统的多用户检测问题中。所提算法把神经网络嵌入到遗传量子算法的每一代中，可进一步提高量子种群的适应度函数值。通过混合神经网络到GQA中，还可加快GQA的收敛速度进而减少算法的计算复杂度。另外，GQA所提供的良好初值改善了HNN的性能，嵌入的HNN也提高了GQA的性能。仿真结果证明了该方法的抗多址干扰能力和抗远近效应能力都优于传统检测器和一些应用智能算法的多用户检测器。     

基于混沌神经网络的图像复原算法

文章提出了一种基于混沌神经网络的图像复原新算法。在对退化图像进行复原的过程中,针对Hopfield算法易于陷入局部极小的缺点,在Hopfield神经网络中引入暂态混沌和时变增益,充分利用混沌理论的全局搜索性能进行＂粗＂搜索,当搜索到全局最优解附近时,再利用Hopfield算法进行局部搜索。通过对图像复原后的效果进行比较,证明基于混沌神经网络方法得到的图像复原的信噪比更高,目视效果更加。     

混沌神经网络智能集成算法优化策略

为了将神经网络的通用性、灵活性与混沌优化易于跳出局部最优解达到全局最优、搜索效率高、对优化条件的要求不高(不需具有连续性和可微性)的优点有机地结合起来，智能集成了混沌神经网络优化算法。该算法寻优效率高，通用性强，具有良好的应用前景和再开发潜力。     

基于Hopfield神经网络和禁忌搜索的软/硬件功耗划分

在目前全球倡导“低碳经济”的背景下,随着嵌入式系统大量而广泛的使用,嵌入式软件功耗已成为嵌入式系统设计的一个关键因素,而软/硬件划分是嵌入式软件功耗优化的一种重要方法。首先在性能约束条件下,建立以嵌入式软件功耗为目标的软/硬件双路划分模型;然后,提出了一种基于离散Hopfield神经网络(HNN)和禁忌搜索(TS)融合的求解算法,采用离散Hopfield算法作为主算法能较快地获得可行解,使用禁忌搜索算法“禁忌”当前解而转移到目标函数的其他极小点,从而可跳出局部最优解而快速趋于全局最优解;最后,仿真实验表明,与同类算法相比,该算法不但具有搜索速度上的优势,而且求得全局最优解的概率更高。     

智能优化在多用户检测中的应用

为进一步提高离散混合蛙跳算法（DSFLA）的性能,将免疫算法和克隆选择理论分别与DSFLA相结合,提出了免疫蛙跳算法（IDSFLA）和克隆蛙跳算法（KDSFLA）,利用这两种智能算法得到两种新的多用户检测器。IDSFLA是在DSFLA的每一族内更新中,嵌入免疫算法,利用Hopfield神经网络（HNN）快速产生最优个体作为疫苗母本,提高算法的全局收敛能力;KDSFLA在族内更新中,利用克隆算法的消亡操作,淘汰适应度低的青蛙个体,保证最优个体的有效进化。仿真结果表明,所提出的两种多用户检测器,在误码率、收敛速度、系统容量、抗远近能力等方面都有显著改善。     

Chaotic simulated annealing with decaying chaotic noise

By adding chaotic noise to each neuron of the discrete-time continuous-output Hopfield neural network (HNN) and gradually reducing the noise, a chaotic neural network is proposed so that it is initially chaotic but eventually convergent, and, thus, has richer and more flexible dynamics compared to the HNN. The proposed network is applied to the traveling salesman problem (TSP) and that results are highly satisfactory. That is, the transient chaos enables the network to escape from local energy minima and to find global minima in 100% of the simulations for four-city and ten-city TSPs, as well as near-optimal solutions in most of runs for a 48-city TSP.     

一种基于退火策略的混沌神经网络优化算法

Ｈｏｐｆｉｅｌｄ网络（ＨＮＮ）中引入混沌机制,首先在混沌动态下粗搜索,并利用退火策略控制混沌动态退出和逆分贫出现,进而ＨＮＮ梯度优化搜索,提出了一种具有随机性和确定性并存的优化算法,对经典旅行商（ＴＳＰ）的研究,表明算法具有很强的克服陷入局部极小能力,较大程度提高了优化、时间和对初值的鲁棒性能,同时给出了模型参数对性能影响的一些结论。     

基于多级金字塔卷积神经网络(MLPCNN)的快速特征表示方法

近年来,在机器视觉中基于卷积神经网络(CNN)的特征提取方法取得了令人惊叹的成果,主要原因是深度学习在多层和低维的特征表示上有着很大的优势。但是由于在大尺度图像中卷积滤波的过程速度过慢,导致CNN参数调节困难、训练时间过长,针对这一问题,本文基于传统卷积神经网络(TCNN, Traditional convolution neural network)提出一种快速有效的多级金字塔卷积神经网络MLPCNN(Multi-level pyramid CNN)。这一网络使用权值共享的方法将低级的滤波权值共享到高级,保证CNN的训练只在较小尺寸的图像块上进行,加快训练速度。实验表明,在特征维数比较低的情况下,MLPCNN提取到的特征比传统的特征提取方法更加有效,在Caltech101数据库上,MLPCNN识别率达到81.32%,而且训练速度较TCNN网络提高了约2.5倍。     

Self-Organizing Transient Chaotic Neural Network for Cellular Channel Assignment

This paper presents a self-organizing transient chaotic neural network to solve the channel assignment problem, one of NP-complete problems. The proposed neural network consists of two parts. The first part is the self-organizing evolution stage, which based on the mutual inhibition mechanisms of bristle differentiation and the problem's heuristic information. The second part is the transient chaotic neural network executing stage. A significant property of the TCNN model is that the chaotic neurodynamics is temporarily generated for searching and self-organizing in order to escape the local minima. In the proposed neural network, the first part is used to improve the quality of the obtained solutions. The simulating results have shown that the self-organizing transient chaotic neural network improves greatly performance through solving the well-known benchmark problems, especially for the Sivarajan's and Kunz's benchmark problems, while the performance is comparable with existing algorithms.     

Mutation Hopfield neural network and its applications

In this paper, a new operator is proposed to optimize the traditional Hopfield neural network (HNN). The key idea is to incorporate the global search capability of the Estimation of Distribution Algorithms (EDAs) into the HNN, which typically has a powerful local search capability and fast operation. On account of this property of the EDA, our proposed algorithm also exhibits a powerful global search capability. In addition, the possible infeasible solutions generated during the re-sampling period of the EDA are eliminated by the HNN. Therefore, the merits of both these methods are combined in a unified framework. The proposed model is tested on a numerical example, the max-cut problem. The new and optimized model yielded a better performance than certain traditional intelligent optimization methods, such as HNN, genetic algorithm (GA). The proposed mutation Hopfield neural network (MHNN) is also used to solve a practical problem, aircraft landing scheduling (ALS). Compared with first-come-first-served sequence, MHNN sequence reduces both total landing time and total delay.     

基于暂态混沌神经网在非平衡B指派问题的应用

讨论了非平衡B指派问题的求解算法，给出了暂态混沌神经网络模型，并描述了非平衡B指派问题，提出了基于暂态混沌神经网络的非平衡B指派问题的求解算法。仿真结果表明，该网络可以通过混沌机制来避免陷入局部极小点，从而能够保证快速有效地求解该指派问题。该文还用这种方法求解了属于NP难题的文件分配问题(FAP)。