共查询到18条相似文献,搜索用时 78 毫秒
1.
Hopfield网络求解TSP的一种改进算法和理论证明 总被引:28,自引:0,他引:28
本文通过简化Hopfiled神经网络求解问题的能量函数,提出了一种神经网络求解TSP的改进算法,借助连接矩阵特征值的分析、从理论上证明了该算法保证获得TSP有效解的原因。大量计算机模拟实验表明,该算法明显优于目前广泛应用的Aiyer算法,具有收敛速度快、可避免无效解,易获得优化解等特点。 相似文献
2.
3.
本文提出了用广义Hopfield网络求解TSP的改进算法,较之用Hopfield网络求解TSP的传统算法,新算法改进之处主要有两点,一、引入了辅助单元(本文称之为快单元)从而可以更加灵活构造能量函数。二、采用新的单元输入输出函数,并调整单元的自反馈和阈值,从而实现能量补偿,抵消能量误差,模拟结果表明,新算法优于传统的Hopfield网络算法。 相似文献
4.
5.
遗传算法和模拟退火算法均是解决TSP的有效方法,分析2种算法各自的优缺点,在已有遗传模拟退火算法的基础上进行改进并用于求解TSP.引用部分最近插入法、部分随机产生初始种群,减小了群体多样性与收敛速度的矛盾.在遗传算法中,使用精英保留策略对选择操作进行改进,保证种群的质量;引入进化逆转算子,使子代继承亲代的较多信息,增强搜索能力.经过国际公认的TSPLIB实验数据仿真验证,改进后的遗传模拟退火算法搜索最优能力提高. 相似文献
6.
7.
旅行商问题(TSP)是一种经典的组合优化问题.传统的蚁群算法运用正反馈和分布式计算机制,具有较强的鲁棒性.但是该算法搜索时间长、易出现早熟停滞现象.因此本文根据旅行商问题的模型特点,在蚁群算法的基础上针对TSP问题提出了一种新型的改进蚁群算法:即变参数选择城市策略,并且在交叉策略中选择PMX(Partially Matched Crossover)交叉策略.实验结果表明,与传统基本蚁群算法和遗传算法相比,能够较快地找到最优解,解的质量也相对较好,因此提高了蚁群算法对TSP问题的求解效率. 相似文献
8.
9.
本文从分析网络模型的连接矩阵的特征值和特征子空间这一统一的理论观点出发,对用两种能量函数构造出的两种网络模型在求解TSP时所表现出的一致性进行了分析。同时给出参数则。 相似文献
10.
11.
12.
针对基本遗传算法收敛速度慢,易早熟等问题,提出一种改进的遗传算法。新算法利用贪婪思想产生初始种群来加快寻优速度,用贪婪思想来引导交叉操作,在交叉操作之前,把当前较差的一半种群替换成随机种群,最后用改进的变异算子和进化逆转操作进行寻优,利用新的遗传算法求解基本的旅行商问题。仿真结果表明,改进的遗传算法具有全局搜索能力强、收敛速度快的特点,优化质量和寻优效率都较好。 相似文献
13.
HOU Jian SHEN Jin-yuan CHANG Sheng-jiang ZHANG Yan-xin 《光电子快报》2005,1(3):217-220
The main goal of routing solutions is to satisfy the requirements of the Quality of Service (QoS) for every admitted connection as well as to achieve a global efficiency in resource utilization. In this paper proposes a solution based on Hopfield neural network (HNN) to deal with one of representative routing problems in uni-cast routing, i. e. the multi-constrained(MC) routing problem. Computer simulation shows that we can obtain the optimal path very rapidly with our new Lyapunov energy functions. 相似文献
14.
15.
16.
我们把理论推导与数值模拟相结合得出一个较好的误差函数近似解析式。应用该解析式分析了Hopfield神经网络绝对存同容量,得到了一更严格的结果。 相似文献
17.
In this paper, a parallel and unsupervised approach using the competitive Hopfield neural network (CHNN) is proposed for medical image segmentation. It is a kind of Hopfield network which incorporates the winner-takes-all (WTA) learning mechanism. The image segmentation is conceptually formulated as a problem of pixel clustering based upon the global information of the gray level distribution. Thus, the energy function for minimization is defined as the mean of the squared distance measures of the gray levels within each class. The proposed network avoids the onerous procedure of determining values for the weighting factors in the energy function. In addition, its training scheme enables the network to learn rapidly and effectively. For an image of n gray levels and c interesting objects, the proposed CHNN would consist of n by c neurons and be independent of the image size. In both simulation studies and practical medical image segmentation, the CHNN method shows promising results in comparison with two well-known methods: the hard and the fuzzy c-means (FCM) methods. 相似文献