1、隨機神經(jīng)網(wǎng)絡(Random Neural Network,簡稱RNN)是由美國佛羅里達大學(UCF)教授Erol Gelenbe于1989年提出的一種神經(jīng)網(wǎng)絡,模仿實際生物細胞根據(jù)自身存在電勢發(fā)射信號的生理行為,第一次使用獨立的數(shù)學模型描述了生物神經(jīng)網(wǎng)絡接收信號流激活而傳導刺激的生理機制.它的網(wǎng)絡結構、學習算法、狀念更新規(guī)則以及應用等方面都因此具有自身的特點.作為仿生神經(jīng)元數(shù)學模型,隨機神經(jīng)網(wǎng)絡在聯(lián)想記憶、圖像處理、組合優(yōu)化問題上都顯示

2、出較強的優(yōu)勢.該文在闡述隨機神經(jīng)網(wǎng)絡發(fā)展現(xiàn)狀、網(wǎng)絡特性以及廣泛應用的同時,詳細討論了動態(tài)隨機神經(jīng)網(wǎng)絡(DRNN)求解典型NP優(yōu)化問題TSP的算法,特別地提出了一種有效改進算法,使得參數(shù)在簡單選取的情況下保證能量函數(shù)的下降,在組合優(yōu)化問題上具有普遍意義,并且在10城市TSP對改進算法進行驗證,指出RNN是解決TSP問題的有效途徑.基于改進算法,該文將RNN分別與Hopfield網(wǎng)絡、模擬退火算法和Boltzmann機在組合優(yōu)化問題上的應用

3、進行了分析對比.首先在理論上對DRNN和連續(xù)的Hopfiled網(wǎng)絡(CHNN)進行了對比研究.兩種網(wǎng)絡均以能量函數(shù)表達TSP的最優(yōu)路徑,通過訓練反饋網(wǎng)絡求得路徑解:但是激活函數(shù)、收斂條件的不同使得DRNN 網(wǎng)絡能夠接受能量函數(shù)的小波動,從而跳出局部最小值達到全局最優(yōu).Boltzman機是一種隨機型網(wǎng)絡,是模擬退火算法在神經(jīng)網(wǎng)絡中的體現(xiàn),但是它解決優(yōu)化問題的算法和Hopfield以及DRNN的機制相差很多.與Hopfield相比,Bolt

4、zmann網(wǎng)絡和DRNN都允許能量函數(shù)的波動,但是Boltzmann網(wǎng)絡參數(shù)設置復雜,路徑狀態(tài)更新隨城市數(shù)目的增多顯示較大的隨機性,而DRNN網(wǎng)絡訓練求解時間穩(wěn)定,對參數(shù)變化不敏感,參數(shù)設置簡單.最后,通過仿真實驗對隨機坐標十城市、二十城市使用不同網(wǎng)絡對比路徑尋優(yōu)能力,進一步驗證理論分析的結論.揭示RNN網(wǎng)絡、CHNN網(wǎng)絡和Boltzmann網(wǎng)絡在求解TSP時各自的優(yōu)缺點.此外,該文基于改進算法,使用分區(qū)的方案解決了中國31城市的旅行商