TSP及其基于Hopfield网络优化的研究

Ｈｏｐｆｉｅｌｄ网络（ＨＮＮ）是一种有效的优化模型,但存在易收敛到非法解或局部极小以及对模型参数与初值依赖性强的缺点。旅行商问题（ＴＳＰ）是研究算法性能的典型算例,通过对其进行计算机仿真优化,分析归纳了ＨＮＮ模型存在缺点的原因,总结并提出若干改进方法与思想。同时,针对ＴＳＰ问题的工程背景提出了若干发展性研究内容与方法。     

Hopfield神经网络参数设置

以TSP问题入手,详细分析了Hopfield神经网络行为特征。采用了加强能量函数,比H-T模式更有效。从几何学角度分析了权值矩阵的特征值所对应的子空间,从而获得设置网络参数的标准。模拟结果显示,新的网络参数能保证网络收敛到有效解。     

进化策略求解Hopfield神经网络

提出了一种进化策略求解ＨＯｐｆｉｅｌｄ神经网络的方法。该进化策略分三个阶段,即第一阶段只在较小区间上求出局部优化解;然后,在此基础上,由第二阶段求出较大区间上的局部优化解;最后由第三阶段求出全局优化解。同时采用Ｈｏｐｆｉｅｌｄ神经网络动态方程指导第一阶段的局部进化策略的进化方向,因而大大加快了优化搜索速度。在分阶段的进化策略中,其第一阶段只需搜索较小区间、第二和第三阶段的搜索则建立在其前一阶段的基     

利用Hopfield神经网络求解旅行商问题研究

本文主要研究利用连续的Hopfield网络求解TSP问题,从连续的Hopfield神经网络原理出发,结合TSP问题的要求,在给定参数要求下求得问题的最优解。并分析了实际算法的弱点,给出分析改进算法,加快了算法的收敛速度,改善有效解并提高最优解的比例。     

Hopfield网络求解TSP的算法改进

本文在对Hopfield神经网络求解旅行商(TSP)问题的算法进行研究的基础上结合实例针对典型改进算法的优缺点作了进一步探讨。     

基于神经网络和遗传算法的优化设计方法

随着生产规模的复杂化，多维化和非线形等复杂特性，对高效的优化技术的要求也越迫切，利用并行遗传算法和Hopfield网络的优点，提出了采用遗传算法的并行搜索和解空间搜索的优点进行网络参数的选取，利用Hopfield网络简单、快速、规范的优点来优化样本空间，以取得整体的优化效率。     

非对称型Hopfield神经网络的学习问题

联想记忆是人工神经元网络的重要功能之一,比讨ield网络是一种重要的应用于联想记忆型网络。为了实现记忆功能,我们总希望通过训练使徉本成为网络的稳定状态。然而汗bpfield网络利用决bb规则训练。     

RNN和Hopfield两网络中的优化解法的对比研究

基于一种动态随机神经网络(DRNN)求解典型NP优化问题TSP的改进算法,在理论上对DRNN与连续的Hopfiled网络(CHNN)进行了对比研究,指出虽然两种网络均以能量函数表达TSP的最优路径,并通过训练反馈网络求得路径解,但由于两者所用激活函数和收敛条件不同,使得DRNN网络能够接受能量函数的小波动,从而跳出局部最小值达到全局最优;此外,DRNN与CHNN相比网络训练对参数变化不敏感,参数设置简单。最后,通过仿真实验对随机坐标十城市使用两种网络对比路径寻优能力,进一步验证理论分析的结论。揭示RNN网络和CHNN网络在求解TSP时各自的优缺点。     

推广的Hopfield神经网络模型

本文推广了Ｈｏｐｆｉｅｌｄ神经网络模型，对能量公式中的函数只要求一阶偏导数存在 连续即可，这就扩展了神经网络方法在求解组合优化问题中的应用。     

基于Hopfield 神经网络的污水处理过程优化控制

针对前置反硝化污水处理过程的优化控制问题,提出一种基于拉格朗日乘子法的Hofield神经网络优化方法.构造了污水处理过程约束优化问题的数学表达式,通过Hopfield神经网络优化计算生化池第5分区溶解氧浓度和第2分区硝态氮浓度的设定值,并采用PID控制器实现底层的跟踪控制.基于国际标准的Benchmark基准仿真平台进行仿真实验,结果表明污水处理系统在出水关键水质达标的基础上,能够显著降低能耗.     

基于实数编码遗传算法的神经网络优化设计

提出一种基于综合控制策略的改进的实数编码遗传算法,用该算法对前向神经网络的结构及权值进行优化。通过实验结果表明,该算法能快速有效的确定网络的结构及权值。     

Evolving the Topology and the Weights of Neural Networks Using a Dual Representation

Evolutionary computation is a class of global search techniques based on the learning process of a population of potential solutions to a given problem, that has been successfully applied to a variety of problems. In this paper a new approach to the construction of neural networks based on evolutionary computation is presented. A linear chromosome combined to a graph representation of the network are used by genetic operators, which allow the evolution of the architecture and the weights simultaneously without the need of local weight optimization. This paper describes the approach, the operators and reports results of the application of this technique to several binary classification problems.     

基于Hopfield神经网络算法的WSN路径优化

针对无线传感器网络（WSN）能量有限的特点,提出一种新的基于Hopfield神经网络的路由优化算法,同时给出能量函数各参数之间的关系。通过Matlab软件对不同规模的网络进行仿真,仿真结果表明,该算法是可行的。     

实数编码遗传算法的前向神经网络优化设计

提出一种综合控制策略的实数编码遗传算法,用该算法实现对前向网络结构及权值的同时优化设计。用非线性函数的逼近问题作仿真实验。结果表明,该算法能快速有效地确定网络结构及权值。     

基于遗传优化的概率神经网络预测方法

在研究概率神经网络的基础上，提出一种基于遗传优化估计概率神经网络平滑因子的方法，大大地提高了概率神经网络的预测能力，最后将其运用到某型火炮发动机故障预测上，证明了其有效性。     

时滞脉冲型Hopfield神经网络的全局指数稳定性*

基于众多领域及生物神经网络本身所存在的脉冲瞬动现象，本文首次提出并研究了带时滞的脉冲型Ｈｏｐｆｉｅｌｄ神经网络的全局指定稳定性问题，并讨论了其平衡态的存在唯一性。     

RBF 神经网络的递阶遗传训练新方法

针对RBF网络的特点,提出一种递阶遗传算法,不仅可以同时确定网络参数(连接权、隐节点中心和宽度),而且解决了网络拓扑结构的优化训练问题。算例仿真表明所提出的算法是很有效的。     

Hopfield Neural Networks for Parametric Identification of Dynamical Systems

In this work, a novel method, based upon Hopfield neural networks, is proposed for parameter estimation, in the context of system identification. The equation of the neural estimator stems from the applicability of Hopfield networks to optimization problems, but the weights and the biases of the resulting network are time-varying, since the target function also varies with time. Hence the stability of the method cannot be taken for granted. In order to compare the novel technique and the classical gradient method, simulations have been carried out for a linearly parameterized system, and results show that the Hopfield network is more efficient than the gradient estimator, obtaining lower error and less oscillations. Thus the neural method is validated as an on-line estimator of the time-varying parameters appearing in the model of a nonlinear physical system.