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．     

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。     

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。     

求解TSP问题的遗传算法新方法研究

遗传算法是一种基于自然选择与遗传变异等生物进化机制的全局优化搜索算法。由于它在搜索空间中同时考虑许多点．这样就减少了收敛于局部极小的可能,也增加了处理的并行性。因此可以利用遗传算法研究典型的组合优化实例-TSP问题的求解问题。本文借助于遗传算法,采用新的交叉算子,给出了旅行销售员问题较优解的求解方法。     

混合蛙跳算法求解TSP问题

蛙跳算法中子种群的进化方式对问题求解性能影响很大。本文在蛙跳算法的子种群进化中使用了高效的演化算子。通过数据集pr76和berlin52进行仿真试验,仿真结果证实了算法的有效性。     

一种基于构建基因库求解TSP问题的遗传算法

传统的遗传算法通常被认为是自适应的随机搜索算法．该文在分析其特点后针对TSP问题提出了一种将建立基因库(Ge)与遗传算法结合起来的新算法(Ge-GA)．该算法利用基因库指导种群的进化方向，并在此基础上使用全局搜索算子和局部搜索算子增强遗传算法的“探测”和“开发”能力．Ge-GA算法大大加快了遗传算法的收敛速度和寻优能力．作者测试了TSPLIB中的多个实例(城市数目从70～1577)，试验结果与最优解的误差都不超过0．001％．特别是对于难求解的TSP问题，如att532和fl1577，都能够在理想的时间内找到最优解．     

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.     

一种求解TSP问题的相遇蚁群算法

蚁群算法是由意大利学者M．Dorigo等人首先提出的一种新型的仿生算法。蚁群算法与其他算法同样存在搜索速度慢,易于陷于局部最优。该文提出一种改进的相遇算法克服了以上的缺陷。通过对TSP问题的仿真结果表明,提出的相遇算法与基本蚁群算法相比搜索速度和性能都有一定的提高。     

求解TSP问题的一种混合遗传算法

文章针对TSP问题的特点,设计了一个求解TSP问题的混合遗传算法。该算法中设计了贪婪子路交叉算子,引入2OPT算子增强遗传算法的局部搜索能力,在选择算子设计中引入稳定状态选择机制。通过KroB100、pr136、pr144、kroB150、CHC144…问题的求解结果表明该遗传算法设计在求解TSP问题中是高效的。     

基于遗传算法求解TSP问题的一种新方法

针对基于遗传算法求解TSP的效率问题,提出了一种基于位操作编码技术,并给出了基于位操作的交配、变异等基本操作的实现方法,有效地提高了计算过程中的空间利用率和计算效率。     

基于混合杂交的遗传算法求解旅行商问题

通过混合使用多种杂交算子,提出了一种求解旅行商问题的新型遗传算法,并给出了实验验证。通过实验用该算法求解了城市数为50到100不等的旅行商问题,获得了比其它算法更精确或更接近最优的解,表明了算法的有效性。     

一种求解TSP问题的多种群并行遗传算法

遗传算法是一种基于自然群体遗传机制的有效搜索算法,由于它在搜索空间中同时考虑许多点.减少了收敛于局部极值的可能,也增加了处理的并行性.因此可以利用并行遗传算法研究典型的TSP问题的求解.提出一种有效的多种群并行算法求解旅行商(TSP)问题,应用多种群遗传并行进化的思想,并在种群之间进行遗传信息交流,以解决经典遗传的收敛到局部最优值问题.仿真实验结果表明,方法在解的精度上以及解的质量上优于经典的遗传算法.     

基于竞争演化算法的TSP求解

针对NP完全问题的TSP问题，该文提出了一种属于启发式算法的竞争演化算法。并用构造能量函数的方法证明，用这种算法能使能量函数减小。最终必找到一条有意义的路径。微机仿真结果说明，这种算法能在较少的迭代步骤内找出一条较短的路径。     

基于人工代谢算法的TSP问题求解分析

通过分析生物体新陈代谢的生理机能,建立人工代谢算法模型.通过分析底物和生成物之间的浓度差建立多步催化反应动力学模型.通过对城市网络和代谢网络进行类比,建立基于浓度差的TSP问题寻优模型.实例推导表明,人工代谢算法能有效地实现TSP问题的寻优规划.     

Solving TSP by using Lotka–Volterra neural networks

This paper proposes a new approach to solve traveling salesman problem (TSP) by using a class of Lotka–Volterra neural networks (LVNN) with global inhibition. Some stability criteria that ensure the convergence of valid solutions are obtained. It is proved that an equilibrium state is stable if and only if it corresponds to a valid solution of the TSP. Thus, a valid solution can always be obtained whenever the network convergence to a stable state. A set of analytical conditions for optimal settings of LVNN is derived. Simulation results illustrate the theoretical analysis.     

采用同伦BP算法进行多层前向网络的训练

本文把同伦论中零点路径跟踪的概念推广到多层前向网络能量函数极小点路径的跟踪，从而提出多层前向网络一种新的训练方法－同伦ＢＰ算法（包括教师同伦和输入同伦），并且分析了其收敛性性质。结合异或问题和由部分信息重建完整信号所作仿真计算，证明此方法在收速度和避免陷入局部极小的能力上均明显地优于常规ＢＰ算法，体现了人类认识事物时所遵循的由简到繁、循序渐进的原则。     

大规模旅行商问题的竞争决策算法

针对旅行商问题,利用竞争决策算法的通用模型,给出了一种基于竞争决策思想,能求解大规模和超大规模TSP问题的快速求解方法,经过大量数据测试和验证,获得了较好的结果.     

TSP问题分层求解算法的复杂度研究

１ＴＳＰ问题及其区域划分求解算法ＴＳＰ（ｔｒａｖｅｌｉｎｇｓａｌｅｓｍａｎｐｒｏｂｌｅｍ）问题已被证明是ＮＰ问题,用现有的优化算法,如分支定界、动态规划等求最优解,需要问题规模的指数阶时间［１,２］．在问题规模增大时,往往由于计算时间的限制而丧失可行...     

网络故障交叉撕裂的神经元网络诊断法

本文介绍一种子网络级故障交叉撕裂的搜索的神经元网络诊断方法,文中首先介绍了交叉撕裂准则,然后探讨如何和神经元网络进行子网络级故障诊断 ,最后给出诊断示例。     

基于遗传算法求解TSP问题的一种算法

TSP问题是一个经典的NP难度的组合优化问题，遗传算法是求解TSP问题的有效方法之一。利用交换启发交叉算子实现局部搜索加快算法的收敛速度和利用变换变异算子维持群体的多样性防止算法早熟收敛，给出了一种求解TSP问题的遗传算法。仿真实验结果表明了该算法的有效性和可行性。