1、由于神經網絡具有強大的自學習、自適應、自組織能力，有較好的容錯和并行處理能力，對非線性函數(shù)有較強的逼近能力，而得到了越來越廣泛的研究和應用的推廣。組合優(yōu)化問題的求解是神經網絡的重要應用之一。作為一個具有代表性的組合優(yōu)化問題，旅行推銷商問題(TSP)一直是眾多學者的研究對象。近十年來，神經網絡模型開始用來求解TSP并取得較滿意的結果。本文的研究主要著眼于以下幾個方面： 首先，提出了一種能夠得到旅行商問題(TSP)的近似最優(yōu)解的拉格

2、朗日對象松弛算法。這種算法主要包括兩個階段。首先求得一個可行解，在此基礎上再用Hopfield神經網絡(HNN)求得一個近似最優(yōu)解。拉格朗日對象松弛技術能夠通過調節(jié)拉格朗日因子幫助HNN脫離目前的局部極小值。通過對TSP的理論分析和對一些TSPLIB問題的仿真，實驗結果表明本文所提出的方法能夠得到100％有效的近似最優(yōu)解。 其次，還提出了兩種導引式局部搜索(GLS)的改進算法：類GLS算法和目標函數(shù)調整算法，用來改善局部搜索的

3、局部極小值。在類GLS算法中，本文提出了一種新的懲罰規(guī)則來進一步改善GLS的有效性。此外，目標函數(shù)調整算法(OA)是對類GLS算法的改進，通過在搜索過程中引入可調因子有效的改善了類GLS算法的性能。基于對一些TSPLIB標準問題的仿真測試結果表明，OA算法能夠得到比局部搜索、GLS、禁忌搜索以及類GLS更好的解。 雖然神經網絡在很多領域都得到了很好的應用和推廣，但是有兩個亟待解決的問題!一是其網絡收斂速度比較慢，二是有可能收斂到