基于混合神经网络的车辆路径模型研究

为有效解决现代物流配送中的车辆路径问题,发挥BP神经网络在解决分类问题和Hopfield神经网络在解决组合优化问题中的优势,依据"分而治之"策略提出了基于混合神经网络的优化模型。通过BP神经网络对一个配送中心范围内的多个配送点进行区域划分,在各子区域内使用Hopfield神经网络求得最优配送路径,从而得到质量较高的解和较快的收敛速度。基于Matlab的仿真实验结果表明,与传统的爬山算法、遗传算法相比,该模型能够获得性能更好的全局最优解。     

基于蚁群算法的Hopfield神经网络在多空间站路径规划的应用研究*

空间机器人每次携带的燃料有限,提高空间机器人的工作效率以及延长其在轨寿命研究具有重要意义,分析了空间机器人多空间站访问问题。为了弥补传统路径规划方法容易陷入局部极小点的问题,提出利用基于蚁群算法的Hopfield神经网络来解决空间机器人多空间站访问问题。仿真实验结果表明,基于蚁群算法的Hopfiled神经网络用于多空间站访问问题,收敛速度要比Hopfield神经网络快,且比Hopfield神经网络易于跳出局部极点,该算法有利于解决多空间站路径规划问题。     

基于Hopfield神经网络的WSN分布式拓扑

提出一种基于Hopfield神经网络模型的传感器网络的分布式广播算法。在已有网络拓扑的基础上对其数据获取方式进行改进。用优化的Hopfield神经网络模型在各簇中分别从广播源点开始遍历所有传感节点,并返回广播源点的最优链路。利用Hopfield神经网络收敛速率快、通信路径最优,且易于硬件电路实现的特点,形成了能量消耗较少、延时较小的WSN网络,它是一种能量高效的网络。     

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。     

基于连续Hopfield网络的物流路径优化研究与仿真

路径优化问题一直是智能控制领域中一个重要的研究对象.针对连续Hopfield神经网络和离散Hopfield神经网络的优缺点,设计了一种基于连续Hopfield网络的物流路径规划方案.首先对网络的结构进行了阐述,同时引入了能量函数的概念,对网络的稳定性进行了证明.根据实际问题的描述,将路径行程映射为换位矩阵,将路径优化的目标函数映射为网络的能量函数,设计出目标函数的动态方程,方程的最小值就为路径规划的最优值.最终通过软件仿真,求得最优解,证明了网络的可行性.     

包交换网络中运用神经网络优化路径技术

互联网络中寻找最优路由是最广泛研究的一个课题,如何找到两个节点之间的最优路径却一直是包交换互联网络中的一个难题。本文提出了一种基于神经网络技术寻找最优路径的方法,通过调整神经元权值解决寻找最优路径问题,经过反向传播算法求解最优路径。通过运用本文算法测试表明,本文提出的算法计算简单,收敛速度快,适合在以包交换作为路由算法获得最优路径的研究中使用。可以尽管目前已经建立了最短路径算法,技术人员仍然在不断研究其他更优的路径选择方法,神经网络技术正是其中可选方法之一。     

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。     

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。     

一类0/1优化问题融合神经网络的粒子群算法

将局部寻优能力极强的人工Hopfield神经网络算法融合到粒子群优化算法的搜索过程中,提出解决一类0/1优化问题融合神经网络的混合粒子群优化算法。在该算法中依粒子群当前全局最优个体为初始态激活神经网络,生成一个局部最优态,用这个局部最优态代替粒子群当前全局最优个体,增强了算法的局部寻优能力,通过数值试验证明该算法是有效的。     

Neural network for optimal steiner tree computation

Hopfield neural network model for finding the shortest path between two nodes in a graph was proposed recently in some literatures. In this paper, we present a modified version of Hopfield model to a more general problem of searching an optimal tree (least total cost tree) from a source node to a number of destination nodes in a graph. This problem is called Steiner tree in graph theory, where it is proved to be a NP-complete. Through computer simulations, it is shown that the proposed model could always find an optimal or near-optimal valid solution in various graphs.     

用均场退火算法解四色问题

论文首先给出了用均场退火算法(AFA)求解四色问题的神经网络结构和能量函数,为了避免网络陷入局部极小的缺陷,在均场的基础上增加了“爬山”项,使网络最终能收敛到一个全局最优或近似全局最优解。仿真结果表明,该方法较文献[4]中的离散的二元Hopfield-型神经网络和文献[7]中的瞬态混沌神经网络在收敛速度方面有明显的提高,效果较好。     

MMOG中NPC的路径搜索算法的研究

MMOG中传统的寻径方法只为NPC提供一条最优路径,导致群体NPC移动时发生堵塞.本文提出一种基于迭代加深思想的DIDA*算法,提供多个较优的路径解决群体NPC移动问题.由于地图信息的变化,NPC在移动过程中遇到未知障碍物,本文采用一种局部连接Hopfield神经网络训练NPC实时躲避动态障碍物,实验结果表明DIDA*算法可以使群体NPC快速找到目标节点,路径变化时NPC可以绕过障碍物到达目的地,适应MMOG中环境的动态变化.     

Transient chaotic neural network-based disjoint multipath routing for mobile ad-hoc networks

Due to mobility of wireless hosts, routing in mobile ad-hoc networks (MANETs) is a challenging task. Multipath routing is employed to provide reliable communication, load balancing, and improving quality of service of MANETs. Multiple paths are selected to be node-disjoint or link-disjoint to improve transmission reliability. However, selecting an optimal disjoint multipath set is an NP-complete problem. Neural networks are powerful tools for a wide variety of combinatorial optimization problems. In this study, a transient chaotic neural network (TCNN) is presented as multipath routing algorithm in MANETs. Each node in the network can be equipped with a neural network, and all the network nodes can be trained and used to obtain optimal or sub-optimal high reliable disjoint paths. This algorithm can find both node-disjoint and link-disjoint paths with no extra overhead. The simulation results show that the proposed method can find the high reliable disjoint path set in MANETs. In this paper, the performance of the proposed algorithm is compared to the shortest path algorithm, disjoint path set selection protocol algorithm, and Hopfield neural network (HNN)-based model. Experimental results show that the disjoint path set reliability of the proposed algorithm is up to 4.5 times more than the shortest path reliability. Also, the proposed algorithm has better performance in both reliability and the number of paths and shows up to 56% improvement in path set reliability and up to 20% improvement in the number of paths in the path set. The proposed TCNN-based algorithm also selects more reliable paths as compared to HNN-based algorithm in less number of iterations.     

基于数据库的城市道路中最短路径搜索

根据城市交通路网建设的实际 ,研究了描述城市交通网络图的城市道路数据库的组织结构 ,在此数据结构的基础上依靠 GIS技术的支持 ,采集了大量具体道路信息 ,采用 Dijkstra算法实现了快速最短路径搜索。根据城市的交通状况对交通网络图的边值赋予不同的权值可实现最优路径搜寻 ,给出了一个搜索实例——一个包含 6 1个交通路口的最短路径搜索结果的搜索时间约为 1.1s     

基于协作Hopfield网络的迭代立体匹配算法

针对立体匹配算法中求解能量函数全局最小问题,提出一种基于协作Hopfield网络的迭代立体匹配算法.它采用两个具有相似结构的Hopfield神经网络协作求解匹配问题,两个网络的不同之处是匹配过程中所采用的基准图不同.然后根据左右一致性约束实现两个Hopfield网络之间的协作,从而避免落入局部最小.为加快收敛速度,该算法将视差图的最优搜索问题转换为二值神经网络的迭代收敛过程.利用局部匹配算法的结果预标记初始视差,以设定神经网络初始权重.并根据局部匹配算法中隐含的假定条件,提出了局部匹配算法视差结果的评估准则,以确定各像素的视差搜索范围,从而减少各次迭代过程中状态待确定的神经元个数.实验表明该方法在性能和收敛速度上都要优于传统的Boltzmann机方法.     

A hill-jump algorithm of Hopfield neural network for shortest path problem in communication network

In this paper, we present a hill-jump algorithm of the Hopfield neural network for the shortest path problem in communication networks, where the goal is to find the shortest path from a starting node to an ending node. The method is intended to provide a near-optimum parallel algorithm for solving the shortest path problem. To do this, first the method uses the Hopfield neural network to get a path. Because the neural network always falls into a local minimum, the found path is usually not a shortest path. To search the shortest path, the method then helps the neural network jump from local minima of energy function by using another neural network built from a part of energy function of the problem. The method is tested through simulating some randomly generated communication networks, with the simulation results showing that the solution found by the proposed method is superior to that of the best existing neural network based algorithm.