傅立叶混沌神经网络模型中模拟退火策略工科.docVIP

傅立叶混沌神经网络徐耀群，哈尔滨商业大学系统工程研究所 哈尔滨 150028,黑龙江哈尔滨150028 (E-mail: xuyq@ herainhe@126.com) 摘要：本文分析了傅立叶混沌神经网络模型的动力学特性对自反馈连接权值的敏感性,研究了退火函数对优化过程中的准确性和计算速度的影响。并利用暂态混沌神经网络退火过程分段的思想对傅立叶混沌神经网络模型进行改进, 提出了一种具有随机性和确定性并存的优化算法，在保证优化算法准确性的基础上,加快收敛速度,并利用对经典旅行商( TSP) 的研究,表明算法具有很强的克服陷入局部极小能力,较大程度提高了优化、时间和对初值的鲁棒性能, 验证了这种优化策略的有效性，同时给出了模型参数对性能影响的一些结论. 关键词混沌神经网络Fourier chaotic neural network model of simulated annealing strategy Yaoqun Xu, Feng Qin Institute of System Engineering, Harbin University of Commerce, Harbin, 150028 School of computer and Information Engineering, Harbin University of Commerce, Harbin, 150028 (E-mail: xuyq@ herainhe@126.com) Abstract: Fourier analysis of the chaotic neural network model of the dynamics of the feedback since the value of the sensitivity of the right to connect to study the function of the annealing process of optimizing the accuracy and speed of impact. And using transient chaotic neural network of sub-annealing process of thinking of the Fourier chaotic neural network model to improve, a co-exist with uncertainty and randomness of the optimization algorithm, to ensure accuracy of optimization algorithm, on the basis of speeding up Convergence rate, and using the classic traveling salesman (TSP) study showed that the algorithm is very strong capacity to overcome a local minimum, the greater the increase optimization, time and the initial value of robust performance, the certification of this optimization The effectiveness of strategies, given the model parameters on the performance of some of the conclusions. Keywords：Fourier chaotic neural network；Simulated Annealing；TSP 力学,因此这种网络在求解许多实际优化问题时所遇到的最大困难是极易陷入局部极小点[1]。为了解决这一问题,人们将混沌动力学的全局搜索特性引入神经网络之中,提出了多种混沌神经网络模型,其中大多数是通过在Hopfield网络中引入自反馈而使自身表现出暂态的混沌动力学行为以避免陷入组合优化问题的局部极小点，因此网络的动态特性很敏感地依赖于自反馈连接权值，类似于随机模拟退火中的温度, 其一般按指数退火函数动态变化,对网络的优化性能和收敛速度有很大的影响。有许多学者针对这一问题，提出了改进方法。例如：修等[2]通过指数递减的自反馈提出了激励函数由Sigmoid和Gauss函数组合的线性自反馈混沌神经网络，费等[3]通过指数递减的自反馈提出了内外方法结合的线性混沌神经网络，Zhou等[4]通过控制非线性函数中的参数提出了具有非线性自反馈的混沌神经网络。 本文通过