混沌神经网络及其在最优化问题中的应用(英文)

首先评述了三种混沌神经网络模型 ,然后提出了一种新的混沌模拟退火算法 .其次将四种方法分别应用于 10个城市的旅行推销商问题 .文中给出了每一模型神经元输出和能量函数随时间演变过程曲线 .根据仿真结果 ,讨论了四种方法的特性与效果 .其结论为 :提出的模拟退火神经网络比其它网络模型更能获得全局最小解 .

一种改进的TSP问题启发式算法

旅行推销商问题(TSP)属于组合优化领域中一个典型的NP Hard问题。本文在最近城市搜索法的基础上,提出一种改进的启发式算法———两端延伸最近城市搜索法,这种方法能够很快得到最优解(近优解),且大大降低了计算复杂度。同时,对TSP问题进行了分类,并给出相应的启发式解法。

一个改进的弹性网络算法求解TSP问题

通过对弹性神经网络进行分析,给出了求解TSP问题的一个改进的弹性网络算法.弹性网络是一个梯度下降的方法,由于弹性网络的能量函数有很多局部极小值,在实际的计算仿真中,经常会遇到网络陷入局部极小值而无法逃逸的情况.本文介绍一个改进的弹性网络学习算法,当弹性网络陷入局部极小值时,通过参数在能量函数梯度增加的方向改变参数值,从而帮助网络跳出局部极小值,求出全局最优解或更好的结果.通过对6个TSP问题进行模拟仿真,得出结论:对所有的问题,这个算法能够逃逸出弹性网络的局部极小值,求得最优解或更好的解.

一种进化型蚁群算法及其在TSP问题中的检验

蚁群算法是通过模拟蚂蚁觅食而发展出的一种新的启发算法,其收敛速度一直是人们关心的问题。针对蚁群算法的一些不足,提出基于最小生成树的进化型蚁群算法。它利用了最小生成树与最优路径之间的关系限制了蚂蚁在每一个城市的搜寻范围,进化了寻优策略,节省了在不可能构成最优路径的路段上的计算时间,提高了运算速度,克服了以往蚁群算法的计算时间长、精度低的缺点,使得蚁群算法有了显著的提高。计算机仿真结果表明,该文算法改进了标准蚂蚁群算法的效率和计算结果的质量。

融合不规则三角网和遗传算法的大洋科考航线设计方法

针对由于高耗时而无法使用精确方法的大洋科考航线设计问题,提出一种融合不规则三角网和遗传算法的航线设计方法(TIN-GA).该方法由港口、作业区和拐点生成不规则三角网(TIN),遍历搜索TIN中的所有路径,并将搜索获得的路径作为遗传算法初始路径种群的一部分参与优化繁殖,由进化结果生成航线.TIN将距离较近的点连接为三角形的边,具有很好的描述点邻近关系的自适应性,因此TIN中的路径必是所有可能路径中相对较优的路径.将这些路径作为初始路径种群的一部分能够加速遗传算法的收敛速度,并提高结果的最优性.大量仿真实验表明,该方法具有比遍历方法更高的效率,同时能够获得比遗传算法更优的结果.

基于智能缝制设备的花样路径优化

针对人为设计的缝制花样路径冗杂问题,为提高缝制的质量和缝制效率,给出了对智能缝制中的花样路径进行优化的方法。通过对智能缝制中的花样路径进行分析,将智能缝制中的花样路径的优化问题抽象为特殊的NP难问题。在对传统的求解最优化问题的模拟退火算法(Simulated Annealing,SA)进行了分析的基础上,提出了基于改进的模拟退火算法来解决特殊的NP难问题。并通过对一个有12个图元组成的花样进行仿真测试,用于验证算法的可行性和快速性,"仿真实验结果"表明算法可以有效的解决智能缝制中的花样路径优化问题。