Hopfield网络求解TSP的一种改进算法和理论证明

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。     

Hopfield神经网络求解TSP中的参数分析

通过计算机仿真，实现用Hopfield神经网络求解TSP，对所得参数进行分析，给出相应结论。     

广义Hopfield网络求解TSP

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。     

基于Hopfield网解决TSP问题

利用神经网络解决组合优化问题是神经网络应用的一个重要方面。组合优化问题,就是在给定约束条件下,使目标函数极小(或极大)的变量组合问题。首先介绍了Hopfield神经网络的工作原理,然后具体介绍了TSP问题,然后给出了Hopfield神经网络解决TSP问题的实例,最后的结果表明利用Hopfield神经网络解决TSP问题可以求得问题最优解的次优解。     

改进遗传模拟退火算法求解TSP

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.     

求解TSP问题的改进蚁群算法研究

文章提出了运用一种改进的蚁群算法,主要用来求解旅行商问题(Travelling Salesman Problem,TSP)。实验表明,改进的蚁群算法一定程度上弥补了基本的蚁群算法容易陷入收敛停滞的缺点,且更容易发现更好性质的解。     

一种求解TSP问题的改进遗传蚁群算法

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.     

一种求解TSP问题的改进近似算法

TSP问题是组合最优化中的一个著名问题,具有极高的理论和应用价值。本文通过对已有近似算法进行改进,提出了一种求解TSP问题更有效的近似算法。仿真实验表明,改进后的近似算法比原始算法获得的解更好,而且鲁棒性更优。     

基于Hopfield／Tank网络模型求解TSP的两种网络结构的一致性分析

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。     

基于蚁群算法求解TSP问题的参数优化与仿真

蚁群算法是一种具有分布计算、信息正反馈的新型启发式优化算法,初步的研究表明该算法在求解复杂优化问题,尤其是离散优化问题中具有许多优越性.阐述了蚁群算法在TSP问题求解中的应用,通过实验对蚁群算法的参数选择进行了分析,确定了参数的选择原则以及对算法性能的影响.对该算法做了一些改进尝试,仿真研究表明这些改进能在一定程度上使得算法取得更优的值.     

改进的蚁群算法及其在TSP中的应用研究

提出一种改进的蚁群算法,其核心是应用遗传算法对蚁群算法的 4 个控制参数(α、β、ρ、q0)进行优化,以及运用 MMAS(max-min ant system)进行寻径,新算法具有全局搜索能力强的特点。对旅行商问题(TSP)的仿真实验结果表明:新算法的优化质量和效率都优于传统蚁群算法和遗传算法。     

改进遗传算法解决TSP问题

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。     

Applying Hopfield neural network to QoS routing in communication network

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.     

改进的蚁群与粒子群算法求解TSP问题

为了解决规模复杂的旅行商问题,提出了融合蚁群算法和粒子群算法的一种群体智能混合算法,并引入了人工免疫算法。为了克服规模较大的TSP问题易陷入局部最优的缺点,在ACO-PSO混合算法中添加交叉与变异、接种疫苗和免疫选择等过程,使其具有较强的全局寻优能力和较好的搜索收敛性。一方面利用其噪声忍耐、自学习、自组织和记忆功能,可以帮助效仿更好的精英蚂蚁,保证了蚂蚁的进化速度;另一方面,则是利用免疫算法具有多样性、快速和随机搜索,达到全局搜索的效果。通过大量仿真实验数据对比表明,改进的混合算法搜索结果好于类似算法,并运用在TSP问题上,取得了很好的效果。     

基于SSD改进的目标检测方法研究

为了满足目标检测任务实时性的要求,基于轻量级深度学习目标检测网络SSD_Mobilenetv1,通过改进其网络结构,以及增加更细粒特征图参与位置回归和分类来综合网络的上下文信息及引入反残差模块提升网络提取特征的能力,实验表明在保证实时检测速度的同时提高了检测精度,并在KITTI数据集上进行训练验证,取得了良好的效果。     

Hopfield神经网络的存贮容量

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。     

The application of competitive Hopfield neural network to medical image segmentation

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.     

相互依存网络破击原理仿真研究

基于对相互依存网络的结构研究,在双层和多层网络结构的基础上,提出点度值、接近值、中介值和特征向量值等四个参数的量化标准,进而对相互依存网络的节点在整个网络中的重要程度进行衡量,根据提出的破击原理图,运用选择算法选择出攻击节点的顺序,进而进行破击,仿真试验的结果证明了所提出的相互依存网络破击原理是可行有效的,具有很大的使用价值。