基于Hopfield网络的极小值问题学习算法

被引：6

作者：

金海和

陈剑

唐政

郑国旗

机构：

[1] 清华大学经济管理学院

[2] 富山大学工学部

[3] 内蒙古大学电子工程系

来源：

清华大学学报(自然科学版) | 2002年 / 06期

基金：

中国博士后科学基金;

关键词：

Hopfield神经网络; 最速上升法; 极小值问题; 状态空间; 参数空间; 旅行商问题;

D O I：

10.16511/j.cnki.qhdxxb.2002.06.006

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

摘要：

针对 Hopfield神经网络 (HNN )所存在的极小值问题及缺乏学习能力的问题 ,提出了一种学习算法。将决定约束条件权值大小的系数作为学习参数 ,在参数空间里使参数向着 HNN能量上升最快的方向学习 ,使网络状态能够有效地从可能陷入的极小值状态中逃脱出来。对于在状态空间里陷入极小值状态的 HNN,首先在参数空间里修正参数 ,然后再返回到状态空间里进行状态更新 ,如此反复 ,直至找到最优解或满意解。算法的有效性通过仿真实验进行了验证。该算法分别被应用于 10城市和 2 0城市的旅行商问题 ,结果能够以很高的比率收敛于最优解

引用

页码：731 / 734+746 +746

页数：5