基于模拟退火算法的Hopfield神经网络参数优化

摘要/Abstract

摘要：

为解决Hopfield神经网络应用过程中参数设置的问题，在研究Hopfield神经网络的工作原理的基础上，分析了神经网络模型在求解TSP(Traveling Salesman Problem)问题过程中参数的选取，通过对输出数据进行归一化处理建立网络的评价函数，然后引入模拟退火算法对参数进行最优化选取。实验结果表明，经过参数优化过的Hopfield神经网络模型能更有效，更快速地得到TSP问题的最优解。

关键词: 参数优化, 神经网络, TSP问题, 模拟退火

Abstract:

In order to solve the parameter setting problem during the application process of Hopfield neural network.The working principle of Hopfield neural network is described, the neural network model parameter selection problem in the TSP(Traveling Salesman Problem) problems solving process is analyed On the basis established the evaluation function of network by using normalized on output data, and then use simulated annealing algorithm to select the optimal parameters. The results show that, after optimization of parameters, Hopfield neural network can obtain the optimal solution of TSP problems more effective and more quickly.

Key words: parameter optimize, neural network, traveling salesman problem(TSP), simulated annealing

中图分类号:

TP301

齐小刚, 王云鹤. 基于模拟退火算法的Hopfield神经网络参数优化[J]. J4, 2011, 29(6): 585-589.

QI Xiao-Gang, WANG Yun-He. Hopfield Neural Network Parameter Optimization Based on Simulated Annealing Algorithm[J]. J4, 2011, 29(6): 585-589.

参考文献

［1］王勇, 伍铁如, 马儒宁. 神经网络在二次规划问题中的应用［J］. 吉林大学学报：
理学版, 2008, 46(3): 448-452.
WANG Yong, WU Tie-ru, MA Ru-ning. Neural Network for Solving Quadratic Programming Problems ［J］. Journal of Jilin University：Science Edition, 2008, 46(3): 448-452.
［2］王怡雯, 丛爽. 用随机神经网络优化求解C-TSP ［J］. 吉林大学学报：信息科学版, 2004, 22(4): 359-363. 
WANG Yi-wen, CONG Shuang. Solving C-TSP With Random Neural Network ［J］. Journal of Jilin University：Information Science Edition, 2004, 22(4): 359-363.
［3］魏连伟, 邵景力, 张建立，等. 模拟退火算法反演水文地质参数算例研究［J］. 吉林大学学报：地球科学版, 2004, 34(4): 612-616. 
WEI Lian-wei, SHAO Jing-li, ZHANG Jian-li, et al. Application of Simulated Annealing Algorithm to Hydrogeological Parameter Inversion ［J］. Journal of Jilin Un
iversity：Earth Science Edition, 2004, 34(4): 612-616. 
［4］HOPFIELD J J.Neural Networks and Physical Systems with Emergent Collective Computational Abilities［J］.Proceedings of the National Academy of Sciences(USA),1982,79(8):2554-2558.
［5］LIU Rong, LIU Ze-min. Theories on Solving the Travelling Salesman Problem Based on Artificial Neural Network and Their Applications ［J］. The Journal of China Universities of Posts and Telecommunications, 1998 (1):78.
［6］张玉艳, 陈萍. Hopfield神经网络求解TSP中的参数分析［J］. 微电子学与计算机, 2003 (5): 8-10.
ZHANG Yu-yan, CHEN Ping. The Parameters Analysis in Using Hopfield NN to Solve the TSP ［J］. Microelectronics & Computer, 2003 (5): 8-10.
［7］姜国均. Hopfield网络解TSP的改进算法［J］. 浙江大学学报:理学版, 2011, 28(2): 160-163.JIANG Guo-jun. A Modified Algorithm of Hopfield Network to Solve TSP ［J］. Journal of Zhejiang University:Sciences Edition, 2011, 28(2): 160-163.
［8］徐力平,张炎华.评价神经网络拟合精度的另一个指标［J］.上海交通大学学报,2002,36(7):980-983.
XU Li-ping, ZHANG Yan-hua. Another Criterion to Judge Performance of Neural Networks［J］. Journal of Shanghai Jiaotong University, 2002,36(7):980-983.
［9］刘汉军, 段立松, 董永峰,等. 随机非对称Hopfield模型中恢复带性质研究［J］. 吉林大学学报：理学版, 2003, 41(1):81-84. 
LIU Han-jun, DUAN Li-song, DONG Yong-feng, et al. Studies of the Properties of the Retrieval Band of a Hopfield Model with Random Asymmetric Interactions ［J］.
Journal of Jilin University：Science Edition, 2003, 41(1): 81-84. 
［10］
[KG-*2]陈萍, 郭金锋. 对Hopfield神经网络求解TSP的研究［J］. 北京邮电大学学报, 1999, 22(2)：58-61.
CHEN Ping, GUO Jin-feng. Analysis on Hopfield Neural Networks Solution to TSP ［J］.Journal of Beijing University of Posts and Telecommunications, 1999, 22(2)：58-61.

[1]	孟钏楠，隋阳，张杰，王悦，董玮，张歆东，阮圣平. 基于YSPSO-ＲBFN 的布里渊散射谱特征提取[J]. 吉林大学学报(信息科学版), 2018, 36(4): 372-380.
[2]	任伟建，宋月，陈建玲，任璐，孙勤江. 基于改进的卷积神经网络的钢号识别[J]. 吉林大学学报(信息科学版), 2018, 36(3): 325-332.
[3]	刘富，刘星，康冰. 基于浅层残差网络的视线估计算法[J]. 吉林大学学报(信息科学版), 2018, 36(3): 333-338.
[4]	倪红梅,刘永建,李盼池 . 基于 HABC-RBF 神经网络的蒸汽驱预测方法[J]. 吉林大学学报(信息科学版), 2018, 36(1): 78-84.
[5]	黄思慧, 陈万忠, 李晶. 基于 PCA 和 ELM 的网络入侵检测技术[J]. 吉林大学学报(信息科学版), 2017, 35(5): 576-583.
[6]	刘伟,周志全,刘海旭 . 永磁同步直线电机混沌杂草自抗扰控制研究[J]. 吉林大学学报(信息科学版), 2017, 35(4): 376-383.
[7]	任伟建,田野岑,朱永波 . 基于 CS 的神经网络在抽油机故障诊断中的应用[J]. 吉林大学学报(信息科学版), 2017, 35(3): 324-332.
[8]	李学贵,许少华,李娜,赵恩涛,郭昊 . 基于涡流搜索算法的过程支持向量回归机模型[J]. 吉林大学学报(信息科学版), 2017, 35(3): 341-346.
[9]	于红,程超 . 基于多约束条件反馈的 QoS 链路选择算法[J]. 吉林大学学报(信息科学版), 2017, 35(3): 311-318.
[10]	王子健, 王德军. 基于概率神经网络的汽车发动机失火故障诊断[J]. 吉林大学学报(信息科学版), 2016, 34(2): 229-236.
[11]	王德军, 王晰聪, 杜婉彤. 基于BP 神经网络的汽车横摆角速度估计[J]. 吉林大学学报(信息科学版), 2016, 34(1): 47-53.
[12]	姜寅令, 李艳辉, 王海星. 改进的神经网络观测器在非线性系统中的应用[J]. 吉林大学学报(信息科学版), 2015, 33(4): 471-.
[13]	刘霞, 张姗姗, 胡铭鉴. 基于混沌人工蜂群算法优化的SVM 齿轮故障诊断[J]. 吉林大学学报(信息科学版), 2015, 33(4): 476-.
[14]	王艳芹,任伟建,王重云. 蚁群神经网络在变压器故障诊断中的应用[J]. 吉林大学学报(信息科学版), 2014, 32(6): 637-645.
[15]	王琼, 王磊, 任伟建. 基于FPSO-SA算法的威布尔分布参数估计研究[J]. 吉林大学学报(信息科学版), 2014, 32(5): 476-483.