一种用于解决TSP问题的正的自反馈Hopfield网络.pdfVIP

维普资讯 第2O卷第1期 武汉工程职业技术学院学报 Vol20N 0 l 2008年 3月 JournalofWuhanEngineeringInstitute ^~arch2003 一 种用于解决 TSP问题的正的 自反馈 Hopfield网络 干能强 杜宏明 (西南交通大学 四川 成都 ：610031) 摘 要 针对 Hopfield网络在解TSP问题时出现的存在无效解和收敛速度慢的问题 ，提 出正的 自反馈 Hopfield网络 。通过仿真可以看 出正的自反馈 Hopfield网络在解决TSP问题上易获得有 效解，且具有收敛速度快和迭代次数少的优点。 关键词 TSP；正的 自反馈 Hopfield网络 ；优化 中图分类号 ：TP301．6 文献标识码 ：A 文章编号 ：1671—3524(2008)01—0035—03 利用它所产生的能量误差从局部极小跳 出来到达另 引言 一 个局部极小或全局极小 。尽管如此 ，他们都试着 引入一个负的自反馈 ，从而引起一些不稳定。 旅行 商 最 优路 径 问题 简称 TSP(traveling salesmanproblem)，是人工智能 中的一个典型 问 2 自反馈 Hopfield网络 题 ：设有 城市的集合，他们之间的相互距离分别为 d (dfj—d )，试求从某个城市出发经过每个城市仅 为了更好 的解决 TSP问题，我们在 Hepfield 一 次后又回到 出发城市的最短路径 。对于 个城市 网络基础上提 出了一种更加有效 的新的 Hopfield 的平面TSP，剔除方向性和周期性 ，存在 ( 一1)!／ 网络。在这个网络 中，我们加入了附加的 自反馈，因 2 条不 同的路径。它 已经被证 明是一个 NP问题 ， 此 ，总的神经元 的输入如下 ： 但其具有广泛的应用背景和重要的理论价值 。因此 f一 雨：叫 +叫 f+J (1) 对其的近似解的研究一直是算法设计的一个重要课 题 。 上式中， 是神经元 i到 的权值 ，J为偏置， 近年来 ，很多学者提出了许多不 同的算法 ，最主 叫 为第 i个神经元的附加正反馈 。 要 的就是利用 Hopfield神经 网络和遗传算法 。但 权值 叫 和偏置 J是 由TSP提供的，附加正反 是 Hopfield网络具有初值不稳健 、模型参数不稳 馈 用来优化解决方案 。 健、问题结构不稳健、激励 函数不稳健和算法收敛性 现在我们像研究原先的 Hopfield网络一样来 标志不严格等缺点[1]，因此很多学者提出了不同的 研究 自反馈 Hopfield网络，不失一般性 ，我们假设 解决办法，其 中Feng等[2提 出了一种称为稳定状 叫 一F ，则(1)式就变成 ： 态分析技术来设置 Hopfield网络能量 函数 的约束 一 ∑叫 J+F {+Jf (2) 条件和距离的权值 ，从而在求解 TSP问题时，能得 』≠ i 到比较好的结果 。Tan等[3给出了稳定标准，这些 每一个神经元的输入都是随机的，改变它的输 标准可以保证在用 Hopfield网络求解 TSP时，收 出值或者趋于稳定 由(2)决定： 敛到可行解 ，减小收敛到不可行解的概率。姜 国