小波混沌神经网络模拟退火参数研究

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (2): 80-82.

小波混沌神经网络模拟退火参数研究

徐耀群^1,2,岳海燕²

1.哈尔滨商业大学系统工程研究所，哈尔滨 150028
2.哈尔滨工程大学数学系，哈尔滨 150001

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-11 发布日期:2008-01-11
通讯作者: 徐耀群

Research on simulated annealing parameters in wavelet chaotic neural network

XU Yao-qun^1,2,YUE Hai-yan²

1.Institute of System Engineering，Harbin University of Commerce，Harbin 150028，China
2.Harbin Engineering University，Harbin 150001，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-11 Published:2008-01-11
Contact: XU Yao-qun

摘要/Abstract

摘要： 小波混沌神经网络已经成功地解决了函数优化和组合优化问题。研究了分段指数退火函数的Morlet小波混沌神经元模型，给出了分段小波混沌神经元的倒分岔图和Lyapunov指数图。在小波混沌神经网络的基础上，加入了分段指数退火函数，提出了一种新的改进的小波混沌神经网络，并把它应用到函数优化和组合优化问题中。仿真结果表明，改善了小波混沌神经网络的寻优能力，改进的小波混沌神经网络优于原来的小波混沌神经网络。

关键词: 小波混沌神经网络, Lyapunov指数, 模拟退火参数, TSP

Abstract: Wavelet chaotic neural networks have successfully solved function and combinatorial optimization problems.Morlet wavelet chaotic neural units with the annealing function of subparagraph index are studied.The reversed bifurcation and Lyapunov exponent figures are respectively given.On the basis of wavelet chaotic neural network，the annealing function of subparagraph index is introduced into network，a new reformative wavelet chaotic neural network is presented.Then it is applied to function and combinatorial optimization problems.The simulation results show that the search-optimization capacity of wavelet chaotic neural network has been improved and the reformative wavelet chaotic neural network is superior to the primary wavelet chaotic neural networks.

Key words: wavelet chaotic neural network, Lyapunov exponent, simulated annealing parameter, TSP

徐耀群^1,2,岳海燕². 小波混沌神经网络模拟退火参数研究[J]. 计算机工程与应用, 2008, 44(2): 80-82.

XU Yao-qun^1,2,YUE Hai-yan². Research on simulated annealing parameters in wavelet chaotic neural network[J]. Computer Engineering and Applications, 2008, 44(2): 80-82.

[1]	陈佳，游晓明，刘升，李娟. 结合信息熵的多种群博弈蚁群算法[J]. 计算机工程与应用, 2019, 55(16): 170-178.
[2]	赵亚文，熊瑞平，乔治，梁齐齐，罗勇. 应用捕食搜索策略的改进多态蚁群算法[J]. 计算机工程与应用, 2019, 55(14): 115-121.
[3]	李文康. 基于混沌映射的车载网动态加密方案设计[J]. 计算机工程与应用, 2017, 53(22): 87-91.
[4]	张子成，韩伟. 求解TSP问题的自适应离散型布谷鸟算法[J]. 计算机工程与应用, 2017, 53(10): 48-54.
[5]	段艳明1，肖辉辉1，2. 求解TSP问题的改进果蝇优化算法[J]. 计算机工程与应用, 2016, 52(6): 144-149.
[6]	万正宜，彭玉旭. 求解旅行商问题的改进型量子蚁群算法[J]. 计算机工程与应用, 2016, 52(22): 59-63.
[7]	李宏伟，张宏雁. Lyapunov指数在弱2FSK信号检测中的应用[J]. 计算机工程与应用, 2016, 52(2): 151-155.
[8]	李絮，刘争艳. 基于云模型的模糊自适应蚁群算法研究[J]. 计算机工程与应用, 2016, 52(2): 24-27.
[9]	叶永刚1，徐耀群2. SLF混沌神经网络及其应用[J]. 计算机工程与应用, 2015, 51(21): 74-79.
[10]	章秀君1，吴志强1，方正2. 超混沌系统的构造方法研究[J]. 计算机工程与应用, 2014, 50(2): 92-98.
[11]	马福祥，马秀娟. 一种基于二次变异策略的改进型遗传算法[J]. 计算机工程与应用, 2014, 50(13): 62-65.
[12]	庞寿全1，刘永建2，朱从旭3. 超混沌Lorenz系统的电路实现与应用[J]. 计算机工程与应用, 2013, 49(7): 235-239.
[13]	方霞，席金菊. 基于变异和启发式选择的蚁群优化算法[J]. 计算机工程与应用, 2013, 49(24): 24-27.
[14]	顾晨辉1，王伦文1，2. 基于频域瞬时特征的跳频电台个体识别方法[J]. 计算机工程与应用, 2013, 49(22): 223-226.
[15]	姚明海1，2，王娜3，赵连朋1. 改进的模拟退火和遗传算法求解TSP问题[J]. 计算机工程与应用, 2013, 49(14): 60-65.