基于暂态混沌神经网络的组播路由算法

讨论了高速包交换计算机网络中具有端到端时延的组播路由问题。首先给出了这类问题的网络模型及其数学描述，然后提出了基于暂态混沌神经网络的组播路由算法。实验结果表明，该算法能够快速有效地实现组播路由优化，并且计算性能及解的质量优于基于Hopfield神经网络的路由算法。     

基于遗传算法的指派问题求解

提出了利用遗传算法来解决指派问题．主要将每项任务作为一个基因位。形成染色体。然后借助遗传操作的选择、交叉和变异等操作来对问题进行优化操作。实验结果表明该算法是有效的。     

不平衡指派问题的差额法求解及其应用

提出了用差额法求解最大值的不平衡指派问题,并在训练评估与决策系统中,应用该方法求解在单位数多于任务数时的任务分配方案,使得训练指数达到最大。经验证用这个方法求解最大值的不平衡指派问题,操作简单,易于编程。     

非方阵指派问题的求解

本文将2 类方阵指派问题——极大极小和总体极小指派问题——的矩阵作业解法推广到非方阵情形, 即求解任务与人员数目不等的指派问题,且维持矩阵作业法的效率．假定m > n,则按本文行优先选取算法求解 m￡n 非方阵指派问题的最大逻辑运算量为O(mn2),其效率通常与执行一轮覆盖的矩阵作业法相当．     

一种新型暂态混沌神经网络及其在函数优化中的应用

本文提出了一种新颖的混沌神经元模型，其激励函数由Gauss函数和Sigmoid函数组成，分又图和Lyapunov指数的计算袁明其具有复杂的混沌动力学特性。在此基础上构成一种暂态混沌神经网络，将大范围的倍周期倒分叉过程的混沌搜索和最优解邻域内的类似Hopfield网络的梯度搜索相结合，应用于函数优化计算问题的求解。实验证明，它具有较
较强的全局寻优能力和较快的收敛速度。     

非确定型指派问题的求解算法

考虑了一类非确定型指派问题,每人所承担的工作数不确定,按每人至少承担一项工作,每项工作只允许一人承担的指派原则,针对人员无工作数限制和有工作数限制两种情况加以讨论和分析,借鉴Floyd算法的负回路思想,提出了一种迭代算法,并给出了应用此算法求解的具体实例。实验表明：与其他求解算法相比,该算法求解规模小,效率高,应用简便,易于编程实现。     

基于混沌神经网络的故障暂态量选线方法研究

为了有效提取故障暂态信息,研究选取适当的小波包基函数。针对电力系统故障暂态量的特点,为了有效克服非故障暂态信号的干扰,研究选取了容错性和联想记忆功能很强的混沌神经网络实现故障选线,并采用改进的遗传算法对混沌神经网络的权值和参数同时进行训练,加快其收敛速度。根据目标模式与神经元的输出状态构造了数值型选线判据。通过实验算例验证了基于暂态量选线判据的有效性和适用性。     

基于混沌神经网络的故障暂态量选线方法研究

为了有效提取故障暂态信息,研究选取适当的小波包基函数.针对电力系统故障暂态量的特点,为了有效克服非故障暂态信号的干扰,研究选取了容错性和联想记忆功能很强的混沌神经网络实现故障选线,并采用改进的遗传算法对混沌神经网络的权值和参数同时进行训练,加快其收敛速度.根据目标模式与神经元的输出状态构造了数值型选线判据.通过实验算例验证了基于暂态量选线判据的有效性和适用性.     

改进暂态混沌神经网络在信道分配中的应用

研究信道分配优化问题,由于传统迭代过程中存在收敛率低,易于陷入局部最优解等缺点。为改善算法收敛速率和信道分配效果,采用改进的暂态混沌神经网络(MTCNN)。在混沌神经网络的动态特性中采用时变增益,在退火过程中采取分段的退火机制,使得混沌搜索阶段保持较长时间的混沌态,利于进行全局搜索,稳定收敛阶段能够迅速收敛于最优解,提高收敛率。仿真结果表明,改进后的算法能很好地解决信道分配问题。和暂态混沌神经网络及仅分段的暂态神经网络相比,最优解率得到很大的提高,网络收敛速度提高了12%以上。最后,给出了模型参数对网络性能影响的一些结论。     

Qi四维系统的暂态混沌现象

最近,Qi等人给出了一种四维动力系统,该系统的每一个方程都含有因变量交叉乘积而引起的非线性项.在系统的诸多参数区域内,Qi四维系统可出现复杂的分岔路径在某些参数范围内,该系统还会出现混沌现象.本文进一步考查了Qi四维系统,借助于相图和时间历程曲线图等手段,发现该系统还可能发生暂态混沌现象,初始条件的微小改变可使系统的最终稳态由一种改变为另一种.     

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。     

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.     

混沌神经网络应用于ATM路由算法的研究

ATM网络中基于给定的VP拓扑结构,提出一种暂态混沌神经网络模型的VC路由算法,通过构造能量函数达到网络资源的有效利用以及路由请求的有效性。仿真表明该算法能根据用户提出的VCC请求,实时、有效地实现VC路由选择和利用网络资源,达到一种路由的全局性能优化。     

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。     

用神经网络求解划分问题

划分问题是一类常见的ＮＰ完备的优化问题,本文利用推广的Ｈｏｐｆｉｅｌｄ神经网络模型解决了划分问题,并取得了较好的效果,为这个总理２的解决提供了一条新的途径。同时也为解决其它优化总理２提供了有益的启示。     

基于自适应神经网络的不确定混沌系统控制

针对不确定非线性混沌系统,提出一种基于动态神经网络建模的控制新方法.基于Lyapunov稳定性理论,推导出了神经网络权值在线学习规律,保证了系统的全局稳定性.在混沌建模阶段,神经网络用于学习不确定混沌系统,然后在所建模型的基础上,设计控制器将混沌状态引导到期望目标位置;并且对系统的稳定性能进行了严格的数学分析.把该方法应用到Logistic映射和Hénon 映射建模和控制,数值仿真表明该方法的有效性.     

基于神经网络的图象序列特征点匹配

利用神经网络优化技术解决图象序列的特征点匹配问题，将特征点匹配归结为一个带约束的优化问题，并用2D Hopfield网络实现，在Hopfield网络的能量函数的设计中，综合考虑了特征点的预测结果、特征点的遮挡等情况，从而克服了现有的多数方法所存在的误匹配现象，对于特征点的跟踪，头3帧图象的正确匹配是十分关键的。本文提出了一种3D Hopfield网络用以解决头3帧图象的特征点匹配，并提出了一个运动平滑性的代价函数用以构造3D Hopfield网络的能量函数，实际图象序列的实验结果证明了本方法的有效性。     

基于混沌控制系统的神经网络异步加密

将Chebyshev神经网络模型作为混沌控制系统辨识器,任选系统初值和非线性、非周期性控制律,通过Chebyshev混沌神经网络产生混沌序列,求出该序列的排序置换及逆置换,对明文置换后即可得密文,密文逆置换即可还原得到明文。理论分析和加密实例表明,该加密算法可异步进行,且只需改变系统初值和控制律,便可获得不同的混沌序列,从而实现“一次一密”加密,具有良好的安全性。     

基于离散Hopfield网络的混沌图像加密算法

混沌图像加密算法在进行图像像素值置乱时,大多采用像素值整体处理的方式,因此难以抵抗已知明文攻击。针对该情况,提出一种基于离散Hopfield网络的高维混沌图像加密算法。使用R?ssler三维混沌序列中的两维动态调整所有像素每个比特位的置乱权值及阈值,实现图像像素值置乱,剩下的一维用于图像像素位置置乱,由此提高破译难度。实验结果表明,该算法可抵抗差分攻击和统计分析,鲁棒性较强。