解旅行推销商问题（TSP）的智能优化算法-软件工程专业论文.docxVIP

独创性说明作者郑重声明：本硕士学位论文是我个人在导师指导下进行的研究工 独创性说明 作者郑重声明：本硕士学位论文是我个人在导师指导下进行的研究工 作及取得研究成果。尽我所知，除了文中特另,J／Jn以标注和致谢的地方外， 论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得大连理 工大学或者其他单位的学位或证书所使用过的材料。与我一同工作的同志 对本研究所做的贡献均已在论文中做了明确的说明并表示了谢意。 作者签名：、蠡。盘越．日期：2』：』：[星 大连理工大学硕士研究生学位论文大连理工大学学位论文版权使用授权书 大连理工大学硕士研究生学位论文 大连理工大学学位论文版权使用授权书 本学位论文作者及指导教师完全了解“大连理工大学硕士、博士学位论文版权使用 规定”，同意大连理工大学保留并向国家有关部门或机构送交学位论文的复印件和电子 版，允许论文被查阅和借阅。本人授权大连理工大学可以将本学位论文的全部或部分内 容编入有关数据库进行检索，也可采用影印、缩印或扫描等复制手段保存和汇编学位论 文。 作者签名：孤迭逸． 导师签名 夺兰鋈否击牟 —1r—————了——————一 盟年上月监日 大连理工大学专业学位硕士学位论文1人工神经网络 大连理工大学专业学位硕士学位论文 1人工神经网络 1．1人工神经网络简介 人工神经网络(Artificial Neural Networks)是一门新兴的交叉学科，是模拟人 脑智能结构和功能而开发出来的非线性信息处理系统。从结构上看，该系统是由大量的 简单神经元按某种方式联接起来形成网络；并行地处理外界信息，再用叠加的方式综合 起来作出反应。因此，它不但具有良好的容错性能，还具有适应外界环境(外界信息) 而自我学习的功能；网络所学到的知识不是表现为某种公式或者规则，而是凝结在神经 元之间的连接强度(即权值)上。同时，神经网络很容易用电子或光电元件实现，也可 以用软件在常规计算机上仿真。目前，神经网络可用于解决模式分类、函数逼近和数据 压缩等问题。 神经网络的基本单元即为形式神经元127】(如图1．1)，它是一个多输入单输出的非 ∞一，(∑‰一岛) 图1．1形式神经元模型 Fig．1．1 Formal neuTon model 线性闺值器件。以xI，x2， ，毛表示某一神经元的刀个输入；既表示第_，个神经元 与第i个神经元的突触连接强度，其值；彳，表示第f个神经的输入总和相应于生物神经 细胞的膜电位，称为激活函数；只表示第i个神经元的输出；0，表示神经元的阈值，则 有下述关系式： 彳，=∑％_-01， (1．1) 乃=，0．)． (1-2) 式中，，0。)为表示神经元输入一输出关系的函数，称为作用函数或活化函数。常用的 作用函数有以下几种形式(如图1．2)： 解旅行推销商问题(TsP)的智能优化算法上．生．立． 解旅行推销商问题(TsP)的智能优化算法 上．生．立． (1)阈值函数 川={：：籀 (1．3) 常称此种神经元为M-P模型。 (2)Si．noid函数 具有平滑性和渐近性，并保持单调性。常用的函数为 舷)= (1．4) l+ex“吨4)’ 或 删=tanh[引=丽1-exp(--aA，)． (1．5) 其中，参数a可控制曲线的斜率。 (3)分段线性函数 f 1， 4≥如； ／“)={C4， o4如； (1．6) 【0， 4≤o． 式中，C、Ac均表示正的常数。此函数类似一个带限幅的线性放大器，当工作于线往 区时，它的放大倍数为C。 除神经元特征外，网络的拓扑结构也是神经网络的一个重要特征。从连接的方式上 看，神经网络可分为前馈型网络及反馈型网络两种(图1．3，1．4)。 通过学习获取知识并改进自身性能是神经网络的一个重要特点。这种性能的改善通 常是按某种预定的度量通过不断调节自身参数(如权值)随时间逐步达到的。学习方式 有三种：有教师学习、无教师学习和强化学习。神经网络的学习算法也是其非常重要的 组成部分。通常有三种学习规则：Hebb学习、误差修正学习和竞争(Competitive)学 一2一 大连理工大学专业学位硕士学位论文溪禽 大连理工大学专业学位硕士学位论文 溪禽 图1．3具有一个隐层的前馈网络 图1．4单层全连接反馈网络 Fig．1．3 Feed forward network with one latent layer Fig．1．4 Monolayar alJ-joilIt feedback network 习。其中，误差修正学习算法也称艿学习规则，是神经网络学习中最重要的方法之一， 像感知机、BP学习均属此类。 应用神经网络，需完成以下准备工作： (1)网络的结构，例如层数及每层的计算单元数； (2)网络的连接，例如相邻层之间是完全连接还是部分连接，是否允许反馈连接； (3)使用的