利用Hopfield求解一个N6的TSP问题.docxVIP

利用Hopfield求解一个N6的TSP问题此次设计考虑了N=10的情况，应用Hopfield神经网络求解思路为：利用n×n个神经元组成Hopfield神经网络，网络达到稳定状态时各个神经元之状态对应置换矩阵的各个元素值，各个城市间的距离作为一组约束信息决定神经元之间的连接强度wij。期望网络演变的最终结果给出最优解，也即以置换矩阵表明最短距离条件下路径之顺序。能量函数为：程序步骤如下：1.假设10个城市的位置坐标如表1所示，其中1-10表示10个城市的编号。表1 城市坐标城市12345678910X坐标0.10.20.40.50.70.80.20.50.70.9Y坐标0.60.30.10.50.20.40.80.90.60.82.载入城市坐标并计算各个城市之间的相互距离，设置参数N=10; %10个城市，城市间的坐标及距离的计算cityx=[0.1 0.2 0.4 0.5 0.7 0.8 0.2 0.5 0.7 0.9];cityy=[0.6 0.3 0.1 0.5 0.2 0.4 0.8 0.9 0.6 0.8]; for i=1:1:N for j=1:1:N d(i,j)=sqrt((cityx(i)-cityx(j))^2+(cityy(i)-cityy(j))^2); end end%参数设置 A=500; B=500; C=10; D=500; u0=0.002; lamda=0.0001;total=0;toend=0; time=clock; display([current time is ,num2str(time(1,4:6))])3.能量函数等相关函数的计算while toend==0 total=total+1; V=rand(N,N); U=atanh(2*V-1)*u0; for renew=1:1:1000 for ux=1:1:N for ui=1:1:N m1=0; m2=0; m3=0; m4=0; %求导 for j=1:1:N if j~=ui m1=m1+V(ux,j); end end m1=-A*m1; for y=1:1:N if y~=ux m2=m2+V(y,ui); end end m2=-B*m2; for x=1:1:N for j=1:1:N m3=m3+V(x,j); end end m3=-C*(m3-N); for y=1:1:N if y~=ux if ui==1 m4=m4+d(ux,y)*(V(y,ui+1)+V(y,N)); elseif ui==N m4=m4+d(ux,y)*(V(y,ui-1)+V(y,1)); else m4=m4+d(ux,y)*(V(y,ui+1)+V(y,ui-1)); end end end m4=-D*m4; Udao(ux,ui)=-U(ux,ui)+m1+m2+m3+m4; end end %状态更新 U=U+lamda*Udao; V=(1+tanh(U/u0))/2; for ux=1:1:N for ui=1:1:N if V(ux,ui)0.3 V(ux,ui)=0; end if V(ux,ui)0.7 V(ux,ui)=1; end end end end V;4.判断合法解 %合法解判断 test1=0; for ux=1:1:N for ui=1:1:N test1=test1+V(ux,ui); end endtest2=0; for x=1:1:N for i=1:1:N-1 for j=i+1:1:N test2=test2+V(x,i)*V(x,j); end end endtest3=0; for i=1:1:N for x=1:1:N-1 for y=x+1:1:N test3=test3+V(x,i)*V(y,i); end end end if test1==N test2==0 test3==0 toend = 1; else toend=0; end end time=clock; display([end time is ,num2str(time(1,4:6))]) V Total5.路径显示与长度计算%重排城市坐标 for j=1:1:N for i=1:1:N if V(i,j)==1 cityx_final(j)=cityx(i); cityy_final(j)=cityy(i); end end end cityx_final(N+1)=cityx_final(1); cityy_final(N+1)=cityy_final(1);%计算总长度 td=0; for i=1:1:N-1 td=td+sqrt((cityx_fi