基于
Hopfield
技术的
TSP
问题求解
1
Hopfield
原理综述?/p>
首先,网络结构上?/p>
Hopfield
神经网络是一种单层互相全连接的反馈型神经?/p>
络。每个神经元既是输入也是输出,网络中的每一个神经元都将自己的输出通过?/p>
接权传送给所有其它神经元,同时又都接收所有其它神经元传递过来的信息。即?/p>
网络中的神经元在
t
时刻的输出状态实际上间接地与自己
t-1
时刻的输出状态有关?/p>
?/p>
经元之间互连接,所以得到的权重矩阵将是对称矩阵?/p>
同时?/p>
Hopfield
神经网络成功引入能量函数的概念,使网络运行的稳定性判?/p>
有了可靠依据。基本的
Hopfield
神经网络是一个由非线性元件构成的全连接型单层
递归系统。其状态变化可以用差分方程来表示。递归型网络的一个重要特点就是它
具有稳定状态,
当网络达到稳定状态的时候,
也就是它的能量函数达到最小的时候?/p>
这里的能量函数不是物理意义上的能量函数,而是在表达形式上与物理意义上的能
量概念一致,即它表征网络状态的变化趋势,并可以依据
Hopfield
网络模型的工?/p>
运行规则不断地进行状态变化,最终能够到达具有某个极小值的目标函数。网络收
敛就是指能量函数达到极小值?/p>
在使用递归网络时,
必须对其稳定性进行专门的分析与讨论,
合理选择网络的参
数变化范围,才能确保递归网络的正常工作?/p>
Hopfield
神经网络模型有离散型和连续性两种,离散型适用于联想记忆,连续
性适合处理优化问题?/p>
2
建模方法