一种分片混沌贪婪振荡退火TSP优化算法

引入自适应升温策略或使用蒙特卡罗策略的模拟退火算法在复杂TSP求解时分别表现出收敛缓慢和全局最优逼近能力有限的问题;而现有的混沌优化算法由于logistic映射的缺陷,削弱了其跳出局部最优的能力.故设计一种融合型算法框架,在框架中嵌入分片Lorenz混沌映射系统,加强混沌算法对邻域解的搜索均匀度;引入了贪婪策略构造逼近全局最优解的初始解,使算法具有跃迁到全局最优解邻域的能力;此外设计了振荡退火互补机制,改善了子迭代解筛选过程,增强算法全局搜索性能.实现算法后,使用国际公开TSPLIB算例,经过多轮对比测试,验证了新算法对TSP的求解性能指标优于对比组模拟退火算法和logistic混沌优化算法,具有更短的收敛时间和更强的全局最优逼近能力.     

求解TSP的改进信息素二次更新与局部优化蚁群算法

针对蚁群（ACO）算法收敛速度慢、容易陷入局部最优的缺陷,提出了一种改进信息素二次更新局部优化蚁群算法（IPDULACO）。该算法对蚁群搜索到的当前全局最优解中路径贡献度大于给定的路径贡献阈值的子路径信息素进行二次更新,以提高构成潜在最优解的子路径被选择的概率,从而加快算法的收敛。然后,在搜索过程中,当蚁群陷入局部最优时,使用随机插入法对局部最优解中城市的排序进行调整,以增强算法跳出局部最优解的能力。将改进算法应用于若干经典的旅行售货商问题（TSP）进行仿真实验,实验结果表明,对于小规模的TSP,IPDULACO可以在较少的迭代次数内获得已知最优解;对于较大规模的TSP,IPDULACO可以在较少的迭代次数内获得更精确的解。因此,IPDULACO具有更强的搜索全局最优解的能力和更快的收敛速度,可以高效求解TSP。     

改进的求解TSP混合分支裁剪法

分支裁减法是一种有效的求解小规模TSP的整数规划方法.随着TSP规模的逐步扩大,问题求解的复杂性也随之增加.在TSP的可计算数学研究领域中,局部搜索算法能快速求解TSP的局部最优解.通过将局部搜索算法与分支裁减法结合,利用局部搜索算法对分支裁减法获得上界所对应环路进行优化,使分支限界算法的上界更快地向全局最优解靠近,提高算法的求解效率,扩大了分支裁减法求解TSP的规模.     

基于IPSO算法的TSP问题求解研究

为获得旅行商问题(Traveling Salesman Problem,TSP)的最优解,提出利用改进的粒子群优化(Improved Particle Swarm Optimization,IPSO)算法中求解TSP问题。IPSO算法采用了粒子自适应更新机制和继承式判断机制,克服了传统算法易陷入局部最优位置的缺陷以及可调参数和初始位置随机设定对寻优结果不确定性的影响,确保在解空间内获得一致性的全局最优解。通过对不同样本TSP问题求解,验证了IPSO算法的有效性和稳定性。对比实验表明:IPSO算法在解决大规模寻优问题时具有突出的全局寻优能力。     

旅行商问题优化解之间关系的分析

旅行商问题是经典的组合优化NP难题之一,学术界一直致力于建立在合理的计算时间内精确或近似求解问题的算法.近似算法常求得的高质量近似优化解与全局最优解之间边交集不为空,建立了两者之间及与全局最优解之间的特定关系,通过数学分析建立量化关系模型,利用实验确立模型中相关参数的先验概率.据此建立的随机TSP裁减过程大幅度裁减问题的求解规模;在求解过程中亦能高概率确定属于全局最优解的边,以提高问题求解效率和质量.     

基于分段混合蛙跳算法的旅行商问题求解

针对旅行商问题(TSP)在搜索后期解的多样性和精度下降的问题,提出一种解决TSP问题的分段混合蛙跳算法(S-SFLA)。该算法在搜索初期利用逆转变异算子减少交叉路径,在搜索的后期引入邻域搜索(个体邻域,局部最优领域,全局最优邻域)增加种群多样性。在整个搜索过程中记忆全局历史最优解与局部历史最优解,进行全局更新和局部更新,避免迂回搜索。在局部更新中,每一个青蛙都有机会得到更新。实验结果表明,与遗传算法、蚁群算法、基本蛙跳算法相比,S-SFLA算法在求解中等规模的TSP问题上具有更快的搜索速度和更高的求解精度。     

C919机载数据实时处理系统设计

对于无人机在输电线路杆塔精细化巡视的路径规划问题,提出了对杆塔巡视路径和杆塔间避障路径的两阶段优化策略。针对利用传统旅行商问题(TSP)求解杆塔巡视路径,在多项式时间无法求得全局最优解问题,研究了基于双调欧几里得TSP求解杆塔最优巡视路径的优化数学模型,以及基于动态规划算法的求解方法。在此基础上,进一步基于人工势场法建立了避开巡视路径障碍最优路径的优化模型及其求解方法。仿真结果表明,利用双调欧几里得TSP确定的巡视路径具有偏转角小、最优路径求解时间短的特点,利用所提两阶段优化策略确定的巡视路径长度较短且能有效避开障碍,有利于实现无人机安全高效巡视杆塔的目标。     

求解旅行商问题的自适应升温模拟退火算法

针对传统模拟退火算法在求解问题时容易陷入局部最优解的情况,本文通过设计一种自适应的升温控制因子,提出了一种求解旅行商问题(TSP)的自适应升温模拟退火算法,有效地控制局部寻优达到全局寻优能力,并证明了改进的自适应模拟退火算法收敛性.通过TSPLIB数据库对改进算法全局寻优效果的测试,结果表明改进后的算法具有全局寻优能力、泛化性强等特点:即在TSPLIB提供的绝大部分TSP问题数据中,均能找到全局最优解,且收敛速度快.     

一种结合局部搜索策略的求解TSP的演化算法

介绍了一种结合局部搜索策略的求解流动旅行商问题（TSP）的演化算法。该算法的主要思想是将局部搜索策略在邻域内搜索的快速性与演化方法在全局搜索上的鲁棒性结合起来，从而跳离局部最优。将该算法用于TSPLIB中部分TSP实例上的试验结果表明：与传统的各种求解TSP的演化方法相比，该算法在获得全局最优解的精确度上有了一定的改善。     

蚁群遗传算法对于TSP问题的应用

遗传算法和蚁群算法是两种具有代表性的智能算法。在解决组合优化问题时,遗传算法具有较快的全局搜索能力,但在解决规模较大的TSP问题时存在一定缺陷,不能取得全局最优解。相反蚁群算搜索速度相对较慢,但有着较高的准确性,对于大规模问题有较好的效果。本文改进了两种算法,将蚁群算法与遗传算法融化起来。首先借助遗传算法的快速搜索能力,快速接近最优解,通过求解结果为蚁群算法设置初始信息量,再借助蚁群算法进行最终结果的求解,得到最优解。经过计算机仿真发现,在一定情况下,新的改进算法对TSP问题的求解能力有一定提高。     

混沌神经网络及其在最优化问题中的应用

首先评述了三种混沌神经网络模型,然后提出了一种新的混沌模拟退火算法。其次将四种方法分别应用于10个城市的施行推销商问题。文中给出了每一模型神经元输出和能量函数随时间演变过程曲线。根据仿真结果,讨论了四种方法的特性与有效。其结论为：提出的模拟退火神经网络比其它网络模型更能获得全局最小解。     

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.     

带扰动的混沌神经网络的研究

为了研究混沌神经网络的抗扰动能力,在Chen’s混沌神经网络中引入了三角函数扰动项,研究了带扰动的Chen’s混沌神经元模型,给出了该混沌神经元的倒分岔图和Lyapunov指数图,分析了其动力学特性。基于该混沌神经元模型,构造了带扰动的Chen’s混沌神经网络,并将其应用于函数优化和旅行商问题(TSP)。仿真结果表明:Chen’s混沌神经网络有一定的抗扰动能力。     

遗传算法优化BP 神经网络的短时交通流混沌预测

为了提高BP神经网络预测模型对混沌时间序列的预测准确性,提出了一种基于遗传算法优化BP神经网络的改进混沌时间序列预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到几个典型混沌时间序列和实测短时交通流时间序列进行有效性验证.仿真结果表明,该方法对典型混沌时间序列和短时交通流具有较好的非线性拟合能力和更高的预测准确性.     

用随机神经网络优化求解改进算法的研究

随机神经网络是一种仿照实际的生物神经网络的生理机制而定义的网络，其网络结构及应用具有自身的特点。在详细讨论了动态随机神经网络求解典型NP优化问题TSP的算法的同时，特别提出了一种有效改进算法，使得参数在简单选取的情况下保证能量函数的下降，在组合优化问题上具有普遍意义，并且在10城市TSP对改进算法进行验证，指出RNN是解决TSP问题的有效途径。     

基于混合神经网络的末敏弹系统参数优化设计

研究末敏子弹效能优化问题.针对末敏弹系统结构复杂,影响因素众多的情况,由于子弹应提高生存能力和抗风漂移能力,必须提高速度减小留空时间提高效能.为改善系统优化设计提出了混合神经网络的末敏弹命中概率预报模型的建模方法.首先通过构建灰色神经网络,得到了命中概率的预测模型,考虑到小样本容量的预测网络易陷入局部最优的问题,采用遗传算法对网络权值阈值进行优化,通过MATLAB仿真最终获得了影响系统效能的几个主要因素的优化配置,与相关实验数据对比,预测模型及优化结果具有一定可靠性,且能够为末敏弹的系统效能研究提供了一定的参考.     

A Novel Chaotic Neural Network With the Ability to Characterize Local Features and Its Application

To provide an ability to characterize local features for the chaotic neural network (CNN), Gauss wavelet is used for the self-feedback of the CNN with the dilation parameter acting as the bifurcation parameter. The exponentially decaying dilation parameter and the chaotically varying translation parameter not only govern the wavelet self-feedback transform but also enable the CNN to generate complex dynamics behavior preventing the network from being trapped in the local minima. Analysis of the energy function of the CNN indicates that the local characterization ability of the proposed CNN is effectively provided by the wavelet self-feedback in the manner of inverse wavelet transform and that the proposed CNN can achieve asymptotical stability. The experimental results on traveling salesman problem (TSP) suggest that the proposed CNN has a higher average success rate for obtaining globally optimal or near-optimal solutions.     

Shannon小波混沌神经网络及其TSP(城市旅行商)问题的求解

混沌神经网络已经被证明是解决组合优化问题的有效工具.针对混沌神经网络的单调的激励函数,通过引入Shannon小波和Sigmoid函数加和组成的非单调激励函数,提出了一种新型的暂态混沌神经元模型.给出了该混沌神经元的倒分岔图和最大Lyapunov指数时间演化图,分析了其动力学特性.基于该模型,构造了一种暂态混沌神经网络,并将其应用于函数优化和组合优化问题.通过经典的10城市TSP验证了该暂态混沌神经网络的有效性.     

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.     

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。