Hopfield神经网络在机器人路径规划中的应用

将Hopfield反馈型神经网络方法,应用于对机器人工作路径的合理规划中,解决了对两两给定通路的若干工作站点,机器人能顺序访问并最终返回起点的最短巡游路径问题。可针对不同的具体问题来设计网络的连接权及能量函数。对8站点和16站点仿真结果表明,此方法可以在较短的时间内寻优获得最佳工作路径。     

基于改进路网分层和A~*算法的最优路径研究

为了合理规划最优路径,满足实际应用的需要,对基于改进路网分层算法和A*算法的最优路径进行了研究。首先分别改进了路网分层算法和A*算法,然后提出了一种融合改进路网分层算法和改进A*算法的最优路径算法,并给出了最优路径算法在GIS平台上的实现过程。最后将该算法应用于苍南电力有限责任公司,结果表明,与传统A*算法相比,该算法降低了搜索时间,得到了最优的路径,提高了企业的工作效率。     

路网上车流最优运行路径选择方法的研究

当不考虑路段之间通过能力限制和车流波动时，各车流的路网上运行路长可以用一般的求最短路的方法求解。当考虑以上两种因素时，优化的目标要保证所有流在网络上运行的总费用最小。本文作者建立了关于该优化的模糊规划模型，并给出了求解方法。对于一个给定的网络来说，这种选择路径的方法比较切合实际。     

Hopfield神经网络构建骨架图的一种有效应用

采用一种局部连接Hopfield神经网络(HNN)来构建骨架图，进行移动机器人路径规划。该HNN势场没有非期望的局部吸引点，所构建骨架图和环境连通性相一致，保证了路径规划的完整性。仿真表明该方法具有较高的实时性和环境适应性。     

路网上车流最优运行路径选择方法的研究

当不考虑路段之间通过能力限制和车流波动时,各车流的路网上运行路径可以用一般的求最短路的方法求解。当考虑以上两种因素时,优化的目标要保证所有流在网络上运行的总费用最小。本文作者建立了关于该优化的模糊规划模型,并给出了求解方法。对于一个给定的网络来说,这种选择路径的方法比较切合实际。     

基于蚁群算法的智能交通最优路径研究

针对车辆智能交通最优路径问题,提出一种实时规划的蚁群算法。在该算法搜索过程中加入针对具体问题的局部搜索寻优算法,在启发函数中引入搜索方向,改进信息素更新策略,限制信息素轨迹量。利用智能交通道路模型对改进算法进行比较分析。实验结果表明,改进后的蚁群算法能够有效地解决车辆实时路径诱导问题,实现车辆实时路径诱导,具有良好的收敛性和寻优性。     

基于出行计划数据的最优路径规划方法

现有基于交通流预测的路径规划方法大多使用历史或实时交通流数据,预测时效性有待提升.针对上述问题,提出基于出行计划数据的路径规划方法（RPTP）.该方法能主动捕捉出行者的未来交通需求,为车辆提供更合理的出行路线.基于出行计划的思想,设计基于出行计划数据的路径规划整体框架;构建基于出行计划路线数据的未来时段路网密度估计算法;采用空间堆叠的方式融合未来多时段路网密度,以此为依据改进D*Lite算法的启发函数.采用SUMO平台仿真验证,与静态路径规划方法（SPP）和滚动路径规划方法（RPP）进行对比分析.结果显示,在相同环境下RPTP方法能提高车辆的通行效率,缓解路网拥堵,有效验证了RPTP方法的优越性.     

用Hopfield网络优化空间机器人的路径

采用人工神经网络中的基本Hopfield网，实现了空间机器人的路径规划，解决了对两两给定通路的若干空间站点，空间机器人能顺序访问并最终返回起点的最短巡游路径问题．用Hopfield网解决最优化问题可针对不同的具体问题来设计网络的连接权及能量函数，从而扩展网络对解决具体问题的适应性，具有并行处理能力强、方法简单、容易实现等诸多优点．     

通信网络中缩减的Hopfield神经网络路由算法

为保证神经网络收敛于全局最优点,采用模拟退火算法研究了Hopfield神经网络的局部稳定问题,针对Hopfield神经网络路由算法需要神经元数目众多、计算量大的缺点,提出规模缩小化的Hopfield神经网络路由算法.采用减少神经元数量的方法,减小神经网络规模,提高路由运算能力和神经网络的适应性.比较了原路由算法和改进算法的迭代次数、运算速度和稳定状态能量函数,分析在通信网络和神经网络各参数变化情况下,迭代算法的收敛特性和稳定性的变化规律,总结神经网络路由计算3种约束系数之间的关系.结果表明,缩减的Hopfield神经网络路由计算较原算法具有更高的有效性、可靠性和应用适应性.     

组合电路最优Hopfield模型的判定算法

组合电路的故障检测问题是一个ＮＰ完全问题。根据组合电路的Ｈｏｐｆｉｅｌｄ神经网络模型，通过相容状态建立的齐次线性方程组的基础解系和感知机，提出了组合电路最优Ｈｏｐｆｉｅｌｄ模型存在性的实用判定算法，并给出了计算实例。     

基于鱼群算法和Ｈｏｐｆｉｅｌｄ网络的ＰＩＤ参数寻优

提出1种融合了人工鱼群算法与Hopfield神经网络的PID参数优化算法．该算法前期利用鱼群算法快速随机的群体性全局搜索能力生成问题较优的可行解域,后期利用Hopfield神经网络硬件易实现简单快速的优点得到最优解,有效弥补了Hovfield网络对初始值过于依赖容易陷入局部极值的缺陷．将该算法用于某发动机PID控制中的参数寻优,结果表明新混合算法的整定效果好于Hopfield神经网络,且该算法简单易实现．     

浅析城市道路网中的最短路径算法

论文主要分析了一些经典的最短路径算法,以及这些最短路径算法单独应用于城市道路网中存在的局限性。在此基础上提出了一种改进的Dijkstra算法用来解决城市道路网中的最短路径问题,并给出了改进后的算法优于传统算法的优势之处。     

基于Hopfield神经网络的状态观测器设计

基于神经优化计算原理，给出了线性定常系统的状态观测器的设计方法。将观测器设计问题转化为约束非线规划问题，利用Hopfield神经网络在线的计算观测器的增益矩阵和输入矩阵，能够保证观测器输入信号的平均幅值接近最小。数字仿真结果表明了该方法的有效性。     

基于连续型Hopfield网络的最优控制方法

为克服应用离散型Hopfield网络解决动态最优控制问题时,计算量随着系统维数和控制时域的增加而指数增大的不足,提出了一种基于连续型Hopfield网络解决线性离散系统二次型最优控制问题的方法.该方法将线性二次型性能指标转化为连续型Hopfield网络的能量函数,控制序列转化为连续型Hopfield网络神经元的输出向量,从而将线性二次型动态优化问题的求解过程转化为相应的连续型Hopfield网络从初态向终态的运行过程,网络稳态输出反映了最优控制序列.该方法计算量小,实时性好,便于在线优化控制.     

双权网络路径的最优化分析

对具有两个权的有向网络的最优路径问题 ,从不同角度进行了探讨 .给出了计算两个节点间的使费用与容量之比最小的路径的多项式算法 .并证明了算法有较好的收敛性 .     

基于交通流量预测的动态最优路径规划研究

针对传统算法仅适用静态路况的缺点,提出基于交通流量预测的动态最优路径规划方法.通过建立道路运营网络模型,计算流量碰撞概率和道路拥堵概率,重新定义路段的权值并改进了传统算法,实现了动态路况下的最优路径规划,并对传统算法与改进算法进行仿真实验,得到3种实验结果.结果表明,改进算法在交通高峰期得到的最优路径所需行驶时间比传统算法得到的最优路径行驶时间减少16%～23%,有效提高了交通调度效率.     

双Hopfield网络在求解机组负荷分配中的应用

分析了传统 Hopfield 网络在求解约束优化问题中的一些缺点,提出用双 Hopfield 网络来求解机组负荷分配的优化问题,一个网络用来处理优化目标,一个网络用来处理约束条件。通过对两台和三台机组的计算,证明了该方法的有效性。