利用神經(jīng)網(wǎng)絡(luò)求解組合優(yōu)化問題.pdf

1、由于神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的自學(xué)習(xí)、自適應(yīng)、自組織能力，有較好的容錯(cuò)和并行處理能力，對非線性函數(shù)有較強(qiáng)的逼近能力，而得到了越來越廣泛的研究和應(yīng)用的推廣。組合優(yōu)化問題的求解是神經(jīng)網(wǎng)絡(luò)的重要應(yīng)用之一。作為一個(gè)具有代表性的組合優(yōu)化問題，旅行推銷商問題(TSP)一直是眾多學(xué)者的研究對象。近十年來，神經(jīng)網(wǎng)絡(luò)模型開始用來求解TSP并取得較滿意的結(jié)果。本文的研究主要著眼于以下幾個(gè)方面： 首先，提出了一種能夠得到旅行商問題(TSP)的近似最優(yōu)解的拉格

2、朗日對象松弛算法。這種算法主要包括兩個(gè)階段。首先求得一個(gè)可行解，在此基礎(chǔ)上再用Hopfield神經(jīng)網(wǎng)絡(luò)(HNN)求得一個(gè)近似最優(yōu)解。拉格朗日對象松弛技術(shù)能夠通過調(diào)節(jié)拉格朗日因子幫助HNN脫離目前的局部極小值。通過對TSP的理論分析和對一些TSPLIB問題的仿真，實(shí)驗(yàn)結(jié)果表明本文所提出的方法能夠得到100％有效的近似最優(yōu)解。 其次，還提出了兩種導(dǎo)引式局部搜索(GLS)的改進(jìn)算法：類GLS算法和目標(biāo)函數(shù)調(diào)整算法，用來改善局部搜索的

3、局部極小值。在類GLS算法中，本文提出了一種新的懲罰規(guī)則來進(jìn)一步改善GLS的有效性。此外，目標(biāo)函數(shù)調(diào)整算法(OA)是對類GLS算法的改進(jìn)，通過在搜索過程中引入可調(diào)因子有效的改善了類GLS算法的性能?；趯σ恍㏕SPLIB標(biāo)準(zhǔn)問題的仿真測試結(jié)果表明，OA算法能夠得到比局部搜索、GLS、禁忌搜索以及類GLS更好的解。 雖然神經(jīng)網(wǎng)絡(luò)在很多領(lǐng)域都得到了很好的應(yīng)用和推廣，但是有兩個(gè)亟待解決的問題!一是其網(wǎng)絡(luò)收斂速度比較慢，二是有可能收斂到