Hopfield網絡求解TSP兩種改進算法的仿真研究
加入技術交流群
它是線性化近似的一種合理選擇。圖1給出軟限幅函數及雙曲正切函Uo取0．02時的曲線圖。對于每種情況，從起始條件出發模擬運行200次，每次模擬在達到下列兩條件之一時終止運行：(1)網絡中的每個神經元均在[0．9，1]或[0，0．1]之間取值，分別對應神經元的“激活”(取值落在[0．9，1]中)或“抑制”狀態(取值落在[0，0．1]中)，并且矩陣的每行每列恰有一個非零元素；(2)運行迭代次數大于10 000次。注意，沒有以dE／dt=0判別迭代結束。因為滿足dE／dt=0的點不一定是E的極小點或最小點，也可能是拐點。其次，即使是E的極小點，繼續迭代有可能跳出這個極小點。取A=B=8，A1=7．75，D=2，步長δt=0．02，測試結果如表1和圖1所示。由測試結果可知，軟限幅的效果明顯優于硬限幅，因為軟限幅與線性化近似極為相似，但所需的收斂次數較多。
研究表明，在S型函數UO=2情況下，網絡給不出任何有效的解答。因為網絡中的神經元無法收斂于其穩態(“激活”或“抑制”)。本文引用地址：http://www.czjhyjcfj.com/article/163388.htm
3．2 改進算法2
Aiyer通過TSP網絡的動態分析修正TSP的連接矩陣，從而獲得有效解，但其表達式過于復雜，影響優化效果。簡化該能量函數：
評論