傅立叶混沌神经网络模型中的模拟退火策略徐耀群，秦峰哈尔滨商业大学系统工程研究所哈尔滨150028哈尔滨商业大学计算机与信息工程学院,黑龙江哈尔滨150028(E-mail:xuyq@hrbcu.edu.cnherainhe@126.com)摘要：本文分析了傅立叶混沌神经网络模型的动力学特性对自反馈连接权值的敏感性,研究了退火函数对优化过程中的准确性和计算速度的影响。并利用暂态混沌神经网络退火过程分段的思想对傅立叶混沌神经网络模型进行改进,提出了一种具有随机性和确定性并存的优化算法，在保证优化算法准确性的基础上,加快收敛速度,并利用对经典旅行商(TSP)的研究,表明算法具有很强的克服陷入局部极小能力,较大程度提高了优化、时间和对初值的鲁棒性能,验证了这种优化策略的有效性，同时给出了模型参数对性能影响的一些结论.关键词：傅立叶混沌神经网络；模拟退火；TSPFourierchaoticneuralnetworkmodelofsimulatedannealingstrategyYaoqunXu,FengQinInstituteofSystemEngineering,HarbinUniversityofCommerce,Harbin,150028SchoolofcomputerandInformationEngineering,HarbinUniversityofCommerce,Harbin,150028(E-mail:xuyq@hrbcu.edu.cnherainhe@126.com)Abstract:Fourieranalysisofthechaoticneuralnetworkmodelofthedynamicsofthefeedbacksincethevalueofthesensitivityoftherighttoconnecttostudythefunctionoftheannealingprocessofoptimizingtheaccuracyandspeedofimpact.Andusingtransientchaoticneuralnetworkofsub-annealingprocessofthinkingoftheFourierchaoticneuralnetworkmodeltoimprove,aco-existwithuncertaintyandrandomnessoftheoptimizationalgorithm,toensureaccuracyofoptimizationalgorithm,onthebasisofspeedingupConvergencerate,andusingtheclassictravelingsalesman(TSP)studyshowedthatthealgorithmisverystrongcapacitytoovercomealocalminimum,thegreatertheincreaseoptimization,timeandtheinitialvalueofrobustperformance,thecertificationofthisoptimizationTheeffectivenessofstrategies,giventhemodelparametersontheperformanceofsomeoftheconclusions.Keywords：Fourierchaoticneuralnetwork；SimulatedAnnealing；TSP0引言在过去几年里，Hopfield神经网络已经被证明是解决组合优化问题的有效工具，但是由于其利用梯度下降的动力学,因此这种网络在求解许多实际优化问题时所遇到的最大困难是极易陷入局部极小点[1]。为了解决这一问题,人们将混沌动力学的全局搜索特性引入神经网络之中,提出了多种混沌神经网络模型,其中大多数是通过在Hopfield网络中引入自反馈而使自身表现出暂态的混沌动力学行为以避免陷入组合优化问题的局部极小点，因此网络的动态特性很敏感地依赖于自反馈连接权值，类似于随机模拟退火中的温度,其一般按指数退火函数动态变化,对网络的优化性能和收敛速度有很大的影响。有许多学者针对这一问题，提出了改进方法。例如：修等[2]通过指数递减的自反馈提出了激励函数由Sigmoid和Gauss函数组合的线性自反馈混沌神经网络，费等[3]通过指数递减的自反馈提出了内外方法结合的线性混沌神经网络，Zhou等[4]通过控制非线性函数中的参数提出了具有非线性自反馈的混沌神经网络。本文通过引入徐耀群,孙明等提出的一种傅立叶混沌神经元模型，该混沌神经元模型的激励函数由Sigmoid函数和三角函数加和组成，并利用一种改进的变指数退火函数,提出对自反馈权值的一种新优化策略,既充分利用混沌的动态特性进行搜索,又克服其带来的速度问题,减少收敛时间。仿真分析与验证表明，本模型能够有效减少网络运算的迭代步数，提高了网络的搜索效率，显示出更为优良的性能。1傅立叶暂态混沌神经网络1通过把以往的单调递增的Sigmoid激励函数转换成非单调的激励函数，利用自反馈项引入混沌特性，提出了一种傅立叶混沌神经元模型，基于该模型构造如下傅立叶暂态混沌神经网络：(1)(2)(3)(4)(5)(6)式中，和为第i个神经元的输出,内部状态和输入偏置，;（≥0）为自反馈连接项；β(0≤β≤1)为时变参量zi(t)的衰减因子；为从神经元到神经元的连接权值；、和是激励函数的陡度参数；（）...
