利用Hopfield神经网络解决TSP问题

从Hopfield神经网络原理出发,结合TSP问题的要求,求得问题的最优解的次优解。并通过解决实际问题,说明了算法的有效性。     

基于退火策略的混沌神经网络在解KTSP问题中的应用

研究优化求解多路TSP问题(KTSP)。首先求出将KTSP转化成TSP的换位矩阵，然后用基于退火策略的混沌神经网络(ACNN)模型求解KTSP。仿真结果表明算法是有效的。     

基于Hopfield神经网络的雷达多目标跟踪

针对海上船舶雷达在多目标跟踪过程中实时性较差和不能快速响应的问题,提出目前密集杂波情况下多目标跟踪中最为有效的数据关联算法——联合概率数据关联(Joint Probabilistic Data Association,JPDA)算法。为解决JPDA随着目标增多的情况会出现的组合"爆炸"及计算量较大导致跟踪实时性较差的问题,从分析联合概率数据关联确认矩阵着手,依据Hopfield神经网络在解决旅行商问题(Travelling Salesman Problem,TSP)时的思路,提出基于Hopfield神经网络联合概率数据关联(Hopfield Neural Network Joint Probability Data Association,H-JPDA)来改进联合概率数据关联算法,通过简化矩阵拆分过程,显著减少计算量,提高跟踪的实时性。基于上述改进的神经网络联合概率数据关联算法,通过MATLAB对多目标跟踪进行仿真,仿真结果表明该算法能提高跟踪的实时性和快速响应能力。     

基于退火策略的混沌神经网络在解KTSP问题中的应用

研究优化求解多路TSP问题(KTSP).首先求出将KTSP转化成TSP的换位矩阵,然后用基于退火策略的混沌神经网络(ACNN)模型求解KTSP.仿真结果表明算法是有效的.     

自适应蚁群算法求解车间作业调度问题

车间作业调度问题(JSP)是组合优化问题中的NP-Hard问题,应用传统的蚁群算法在求解时存在易于陷入局部最优解、收敛速度慢等缺点.通过在蚁群算法的信息素局部更新策略和全局更新策略两处引入自适应方法对蚁群算法进行了改进,并应用此算法对经典的FT06问题和FT10问题进行了大量的求解试验.试验结果表明该自适应蚁群算法在求解车间作业调度问题时,搜索速度和收敛速度比传统的蚁群算法都有较好的提高.     

基于优化Hopfield神经网络的海事飞机巡航路径规划

为解决海事空巡飞机巡航路径规划问题，提高巡航效率。本文提出了一种基于优化Hopfield神经网络（HNN）巡航路径规划模型，该模型通过粒子群优化算法（PSO）对HNN神经网络进行优化得到PSOHNN神经网络模型,提高了Hopfield神经网络的全局收敛能力。采用实际巡航点对优化模型进行仿真实验，结果证明了基于优化Hopfield神经网络（PSO-HNN）巡航路径规划模型具有良好的路径寻优能力。     

混沌神经网络优化机制研究

分析了混沌神经网络的优化机制,研究了具有模拟退火特性的混沌神经网络模型,给出了混沌神经网络的能量函数,以及计算网络Lyapunov指数的方法,从理论上证明了当网络参数满足一定条件时,网络具有混沌性状。在仿真实验中,应用Hopfield网络和混沌神经网络求解信道分配问题。结果表明,混沌神经网络在求解优化问题时具有更强的搜索全局最优解的能力,和更快的收敛速度。     

一种基于伪并行迁移策略的求解TSP问题的遗传算法

TSP问题是典型的NP完全问题，遗传算法是求解NP完全问题的一种常用方法。文中将并行遗传算法的迁移策略以伪并行的方式应用于TSP问题的求解，并在迁移过程中进行优化。该算法减少了个体的评价计算量，提高了解的质量。     

基于混沌神经网络的多目标数据关联

研究了多目标跟踪中的数据关联问题.利用混沌动态的遍历性,搜索过程可避免陷入局部极小.仿真结果表明,利用混沌神经网络实现多目标数据关联是可行的,且比Hopfield神经网络有更高的收敛效率.     

一种基于伪并行迁移策略的求解TSP问题的遗传算法

TSP问题是典型的NP完全问题,遗传算法是求解NP完全问题的一种常用方法.文中将并行遗传算法的迁移策略以伪并行的方式应用于TSP问题的求解,并在迁移过程中进行优化.该算法减少了个体的评价计算量,提高了解的质量.     

基于神经网络的可靠性优化分配及应用

本文利用Hopfield神经网络的优化能力,借用神经网络中能量函数的概念和含义,把复杂的可靠性分配问题转化为非线性一次微分方程组求解问题,同时应用到具体的舰艇主动力系统优化分配中,为系统可靠性分配提供了切实有效的方法和途径.     

基于混沌神经网络的多目标数据关联

研究了多目标跟踪中的数据关联问题。利用混沌动态的遍历性，搜索过程可避免陷入局部极小。仿真结果表明，利用混沌神经网络实现多目标数据关联是可行的，且比Hopfield神经网络有更高的收敛效率。     

基于Hopfield神经网络的导航系统的滤波估计

介绍了以中精度惯性导航系统INS(Inertial Navigation System)为主,与全球导航定位系统GPS(Global Position System)等多个次级导航系统组成的导航系统的实现方案.设计了基于Hopfield神经网络的导航系统的滤波估计算法.经计算机模拟仿真证明,神经网络的算法优于通常的卡尔曼滤波方法.     

基于自适应变异粒子群算法的船舶结构优化方法

[目的]由于船体结构的复杂性,传统优化方法容易出现陷入局部最优、求解速度偏慢的问题.[方法]基于自适应变异粒子群算法(AMPSO)、BP神经网络、遗传算法(GA),结合Isight/Nastran设计的正交试验方法,提出AMPSO-BP-GA结构优化方法,然后分别以十杆桁架和跳板结构的优化作为算例,验证所提优化算法的准...     

基于神经网络的船舶主动力装置系统可靠性优化分配

船舶主动力装置系统可靠性分配是船舶动力可靠性工程设计中的重要内容，它常常构成有约束条件的非线性优化问题。探讨了基于神经网络理论求解该类问题的方法。建立系统可靠性优化分配的数学模型，采用罚函数法将不等式约束转化为无约束的优化问题，构造出Hopfield神经网络求解的能量函数，求得动力系统微分方程组。用数值计算的方法求解微分方程组，所得平衡点即为最优解。该方法通用性好，收敛速度快，为船舶主动力装置系统的可靠性分配提供了一种新的手段。     

基于混合优化策略的多学科协同优化及其应用

多学科设计优化为复杂系统工程设计提供了新的思路并成为优化设计领域的研究热点。针对传统多学科协同优化算法常常出现无法收敛或收敛陷入局部最优的问题,提出基于模拟退火算法和序列二次算法的混合协同优化(collaborate optimization based on simulated annealing and sequential quadratic programming,SA-SQP-CO),SA-SQP-CO应用模拟退火算法和序列二次算法的混合优化策略取代传统系统级基于梯度的求解方法,同时引入动态松弛的思想,在二阶段寻优过程中采用动态松弛量代替系统级一致性等式约束加强学科一致性、提高系统级收敛效率。以经典齿轮减速箱测试算例,通过与传统多学科协同优化算法比较,验证了该方法在优化结果可靠性、稳定性等方面有优势。最后,应用SA-SQP-CO算法求解抛物线型载荷下纤维加强悬臂梁轻量化设计问题以体现其工程实用性。     

基于BP网络的船舶磁性目标定位方法研究

船舶磁性目标定位是海上目标定位系统中重要的方法之一,优点是部署简单、定位精度较高;缺点是定位算法复杂度较高、计算量大,算法较易陷入局部最优解,需要进行改进。神经网络是解决目标最优问题的有效求解手段,利用各神经元权值系数调整能够计算出磁性目标定位的全局最优解。本文研究船舶磁性目标定位的算法结构,针对目标函数,设计基于BP神经网络的定位算法,最后给出基于神经网络算法仿真结果,并与传统算法进行对比。     

多传感器多目标的数据互联算法的神经网络实现

本文针对具有重要军事背景的多传感器多目标的数据互联问题,即广义3—D分配问题,应用Hopfield神经网络,设计了此问题的对应能量函数,在PC386机上用C语言实现了广义3—D分配问题的求解程序。运行结果表明,本文所提出的方法是有效的,其能量函数的设计是合理的。     

基于BP神经网络和FDM方法的势流问题求解

随着神经网络研究热潮的兴起,已经提出了许多学习算法,并迅速在各领域得到应用;本文试图采用改进的BP(Back-Propagation)算法来求解平面势流问题,并且与用有限差分法FDM(Finite Difference Method)计算的结果进行了比较,发现吻合良好.     

基于神经网络的磁性目标磁矩反演方法

针对磁性目标定位中的磁矩反演问题,提出一种基于神经网络的磁矩反演技术。首先,基于最小二乘原理,建立了磁性目标磁矩反演模型;其次采用Hopfield网络进行了优化求解,并针对模型求解过程中鲁棒性差的弊端,对网络进化策略进行了自适应修正;最后设计了仿真实验对其有效性进行了检验,仿真结果表明利用修正后的网络求解磁矩反演问题结果令人满意,具有一定的实用性。