基于Hopfield神经网络的路径优化

基于Hopfield神经网络研究旅行商问题(TSP),建立适用于TSP问题的能量函数,给出了路径优化的具体求解算法。分别构造8、20、40个城市的位置坐标,采用Hopfield神经网络实现了不同数目的城市路径问题优化,并对旅行路径优化问题进行了计算机MATLAB模拟仿真。结果证明,基于Hopfield神经网络对路径优化的方法是有效且实用的,解决了当城市数目很大时求取路径最优解的问题。     

递归神经网络的进化机器人路径规划方法

针对机器人递归神经网络控制器在进化优化过程中存在的问题,利用改进的进化算法对递归神经网络控制器进行优化设计,提出了一种基于递归神经网络的进化机器人路径规划算法,该算法利用高斯变异和柯西变异相结合的方式进行变异操作,利用个体适应度和种群多样性指标使交叉概率和变异概率进行自适应调整.给出了算法的具体步骤,并与基于标准前馈网络的路径规划方法进行了比较.仿真结果表明递归神经网络控制器对动态未知环境具有更好的适应性.     

基于EM-DRNN的风电功率预测模型

提出基于类电磁机制算法的对角递归神经网络的风电功率预测模型.对角递归神经网络属于动态递归神经网络,具有较好的动态性能;类电磁机制算法模拟电磁场中带电粒子间吸引与排斥机制,可进行全局优化,具有好的收敛性能.模型采用类电磁机制算法对对角递归神经网络进行优化,可避免使神经网络训练陷入局部最小点,提高模型的预测精度.仿真结果表明,模型可有效降低预测误差,获得满意的预测精度.     

列队竞争算法解组合优化问题

给出了列队竞争算法解组合优化问题的框架和确定变异邻域的两条原则,并分别确定了背包问题思想和旅行商问题的变异邻域。用列队竞争算法解背包问题显示出极其优良的搜索能力,解中国旅行商问题获得了５条最优路径。实例计算表明列队竞争算法是一种解组合优化问题的有效算法。     

一种新的水下机器人集群路径规划方法

将智能水下机器人集群协同清扫水雷的路径规划问题归结为多人旅行商问题，并根据清扫水雷的任务背景提出两种多人旅行商问题模型．给出了这两类多人旅行商问题的形式化描述，进而探讨了利用遗传算法求解这两类多人旅行商问题的基本思想和具体方案，最后进行了仿真实验验证和算法收敛性分析．实验数据表明，这是一种高效而且适应性强的多机器人路径规划方法．     

考虑路段突发性堵塞的旅行商问题与算法

针对交通网络中任意路段均可能发生堵塞的旅行商问题,本文提出度量路段堵塞所带来时间损失的指标:路段堵塞损失值,以降低路段堵塞带来的时间损失为目标,建立最优抗堵塞旅行路径选择模型并设计算法求解.研究发现:根据堵塞路段在旅行路径上与必经中间节点的3种位置关系,可给出计算路段堵塞损失值的有效方法;根据最大后悔路段的性质,可设计...     

船体装配线划线路径规划的蚁群算法

船体零件装配线划线作业是与船体零件切割作业同时进行的,是现代造船模式中的一个重要环节.将船体零件划线路径规划问题作为广义旅行商问题进行分析,针对划线路径的特殊性,建立提出了改进的蚁群算法的路径规划模型,采用最大-最小蚁群算法进行优化,分析了算法中各参数取值对算法性能的影响,并同遗传算法作了比较.实验结果表明,基于蚁群算法的优化模型可以有效减少划线路径空走距离.实际应用表明可有效地减少作业时间,提高船厂生产效率.     

逐点循环递归法求哈密顿回路

给出了求解任意图的所有哈密顿回路逐点循环递归算法,用于处理复杂的旅行商问题,证明了一个图是否是哈密顿图,在算法中,用结点标号数组存储一个回路,无向图的正向表存储初始图。     

用MAX_MIN蚂蚁算法解决中国旅行商问题

简要阐述了中国旅行商问题,介绍了MAX_MIN蚂蚁算法的原理和其在蚁群算法上的改进,使用MAX_MIN蚂蚁算法解决该问题,最后的试验结果证明该方法在解决这种问题上是有效的.     

双链基因的退火算法用于激光切割路径优化

为了缩短激光切割路径中的空行程,提高加工效率,同时避免在切割过程中损坏设备,本文分析了切割图元及其数学描述,将切割路径优化问题归结为广义旅行商问题,并提出了一种基于切割路径双链基因表示的模拟退火算法,MATLAB仿真结果表明该方法可以有效地解决上述问题。最后将优化路径和计算机辅助制造里自带优化软件规划的路径作比较,证明本方法可明显缩短激光头的空行程长度,并有效避免了打刀现象。     

一种用于解决TSP问题的新的Hopfield网络

针对Hopfield网络在解TSP问题时出现的存在无效解和收敛速度慢的问题,提出一种正的自反馈Hopfield网络.通过仿真可以看出,该网络在解决TSP问题上易获得有效解,同时还具有收敛速度快和迭代次数少的优点.     

预防性反馈PCNN模型及在组合优化问题中的应用

利用脉冲耦合神经网络(PCNN)的自动波特性求解组合优化问题。在三态层叠脉冲耦合神经网络(TCPCNN)模型基础上,结合三角不等式定理,构造具有预防性反馈的脉冲耦合神经网络模型。在搜索最优解的过程中,利用三角不等式定理对解进行预判断,不理想的解被删除,起到预防反馈作用,降低求解的空间复杂度,提高求解效率和准确性。将该算法应用于SP和TSP问题实验仿真,结果表明,该算法有效降低了解空间复杂度,进一步提高了搜索速度。     

基于多范例推理的小组软件过程规划算法

由于软件开发小组和软件产品的不同，小组软件过程发生相应的改变，为了达到对软件过程由事后分析到事前规划的目的，必须要进行小组过程规划的研究．小组软件过程由活动组成，活动受角色、时间、数据、设备等方面的约束，软件过程的规划就是多约束满足问题．文中提出用问题归约策略与基于范例推理结合的方法解决这个问题．引出了范例粒度的概念，形成一种多范例推理的方法，对这种方法所涉及到问题和解决的办法做了详细的论述，并且验证该方法是有效的．由范例的重用体现出过程级上元素的重用，有利于软件过程的控制与优化．     

对Hopfield网络求解TSP算法的一种改进

将旅行商问题映射成神经网络的形式做了改进,采用固定许行起点的方法,减少了求解过程中等价解不必要地出现。在保持原来算法优点的同时,使得所需神经元的数目减少２Ｎ－１个,这对提高计算效率以及神经网络的硬件实现是有意义的。计算机模拟说明了此算法的有效性。     

几何分域的多模块神经网络求解 平面3R机械手逆运动学

针对神经网络求机器人逆运动学多解时输入与输出间存在一对多的映射问题,提出一种基于几何分域的多模块神经网络求解平面3R机械手逆运动学方法。该方法通过将连杆分离-重新组合的方式进行几何分析,将平面3R机械手分为两组具有多解的子空间,同时增加末端执行器方位角的规划,使得用于两个子空间训练的BP神经网络中,输入与输出间具有唯一映射关系。用训练好的两个BP神经网络分别对同一段规划好的圆形轨迹进行预测,得到的两段预测轨迹平滑且与规划轨迹基本一致,这一结果表明,所提方法可以获得平面3R机械手高精度的逆运动学多解。     

旅行商问题的较优可行解的搜索算法的设计

利用问题本身的特点和相关的已有结论,结合最近邻法和深度优先搜索算法设计了产生旅行商问题较优可行解的方法。首先,将与每个城市关联的城市由近到远排序,并将城市之间距离较远的边删除。然后选择一个城市作为出发地,按排序利用深度优先搜索算法在有限步内搜索可行解。若搜索到多个可行解,从中选择较优的作为以该城市为出发地的可行解;否则,重新选择出发地开始新的搜索。对经典的st70、a280问题依次将每个城市作为出发地进行实验,该方法产生的可行解的性能明显优于随机搜索算法。但仍不及最近邻法。     

运用GA-BP神经网络研究时间序列的预测

神经网络能以任意精度逼近非线性函数,以神经网络为基础的时间序列预测模型能很好地反映信息的非线性发展趋势。该文在分析传统BP网络缺点的基础上,用具有良好全局搜索能力的遗传算法来改进神经网络。详细讨论了GA算法的优化神经网络初始权值和阈值的思想和理论。在阐述预测方法同时,用具体例证分析了GA-BP网络预测的性能和特点。结果表明,基于GA-BP神经网络在预测精度和适应性方面高于传统的BP神经网络。     

基于RBF和BP网络的机器人逆运动学求解

针对传统的求逆运动学方法相当复杂以及一般的神经网络收敛速度慢、精度不高的缺陷,提出一种由1个RBF(Radial Basis Function)网络和2个BP(Back Propagation)网络组成的系统来解决运动学逆问题,输入数据分别通过3个并行的神经网络,对输出分别求正运动学解,计算误差,选择误差最小的作为系统的输出,其中BP网络运用LM(Levenberg-Marquardt)方法进行训练.仿真表明:该方法可以有效的解决运动学逆问题,避免了传统解法中的一些棘手问题.     

旅行商问题的一种选择性集成求解方法

针对大型TSP(traveling salesman problem)实例很难找到最优解的问题,提出了一种选择性集成求解方法。首先通过扩大路径法来选择集成多个较好解,构造出若干个极大路径;然后采用顶点插入法将剩余顶点和这些极大路径连接成一个哈密顿回路;最后使用2-opt方法对该回路进行提升。试验结果表明,算法在5个TSP实例上得出的最好解的最大偏差为1.69%,说明本算法可以有效求解TSP。     

基于一类改进遗传算法的进化神经网络研究

分析传统遗传算法易早熟收敛的主要原因,提出一类改进的遗传算法以及一种基于改进遗传算法的前馈神经网络设计方法,用以同时完成对网络结构空间和权值空间的搜索。该算法将普通遗传算法的交叉算子和遗传算子进行改进,利用模拟退火算法、BP算法和小生境技术来加快算法的收敛速度,改善解的性能。通过对异或(XOR)、噪声模式识别等前馈神经网络性能的一组测试,与BP算法进行比较,实验结果表明,该算法能够有效抑制遗传算法初期收敛的发生,有效地提高多层前馈神经网络的收敛精度和收敛速度,由此得到的神经网络的泛化能力也较好,能够达到根据训练样本自动优化设计多层前馈式神经网络的目的,并可获得更为简洁的网络结构。