基于连续Hopfield神经网络优化——旅行商问题优化计算

大家好，我是带我去滑雪！

利用神经网络解决组合优化问题是神经网络应用的一个重要方面。所谓组合优化问题，就是在给定约束条件下，使目标函数极小（或极大）的变量组合问题。将Hopfield网络应用于求解组合优化问题，把目标函数转化为网络的能量函数，把问题的变量对应到网络的状态，这样，当网络的能量函数收敛于极小值时，问题的最优解也随之求出。由于神经网络是并行计算的，其计算量不随维数的增加而发生指数性“爆炸”，因而对于组合优化问题的高速计算特别有效。典型的组合优化问题有旅行商问题、0-1背包问题、装箱问题、图着色问题、聚类问题等问题。这些问题的描述都非常简单，但优化求解很困难，其主要原因是求解这些问题的算法运行时，需要极长的运行时间和极大的存储空间。

本期使用连续Hopfield神经网络实现旅行商问题优化计算。

一、问题与模型设计

（1）问题描述

旅行商问题，（Traveling Saleman Problem，TSP）是VRP的特例，由于Gaery[1]已证明TSP问题是NP难题，因此，VRP也属于NP难题。旅行商问题（TSP）又译为旅行推销员问题、货郎担问题，简称为TSP问题，是最基本的路线问题，该问题是在寻求单一旅行者由起点出发，通过所有给定的需求点之后，最后再回到原点的最小路径成本。

现对于一个城市数量为10的TSP问题，要求设计一个可以对其组合优化的连续型Hopfield神经网络模型，利用改模型可以快速地找到最优（或者近似最优）的一条路线。

（2）模型建立思路

由于连续型Hopfield神经网络具有优化计算的特性，因此将TSP问题的目标函数（即最短路径）与网络的能量函数相对应，将经过的城市顺序与网络的神经元状态相对应。这样，由连续型Hopfield神经网络的稳定性定理知，当网络的能量函数趋于最小值时，网络的神经元状态也趋于平衡点，此时对应的城市顺序即为最佳的路线。

（3）设计步骤

模型映射：为了将TSP问题映射为一个神经网络的动态过程，Hopfield神经网络采取换位矩阵的表示方式，用NxN的矩阵表示商人访问N个城市。对于N个城市TSP问题，使用NxN个神经元来实现，而每行每列只能有一个1，其余都是0，矩阵中1的和为N，该矩阵成为换位矩阵。

构造网络能量函数和动态方程：设计的Hopfield神经网络的能量函数与目标函数（即最短路径）相对应的。同时，考虑到有效解的实际意义，即换位矩阵的每行每列都只能有一个1。因此，网络的能量函数包含目标项和约束项两部分。

初始化网络：Hopfield神经网络迭代过程对网络的能量函数及动态方程的系数十分敏感，在总结前人经验及多次实验的基础上，网络输入初始化选取如下：A=200，D=100，采样时间设置为0.0001，迭代次数为10000。

优化计算：当网络的结果及参数设计完成后，迭代优化计算的过程就变得非常简单，具体步骤：

步骤1：导入N个城市的位置坐标并计算城市之间的距离；

步骤2：网络初始化；

步骤3：计算能量函数；

步骤4：判断迭代次数是否结束，若迭代次数大于10000，则终止。

二、代码实现

（1）清空环境变量、声明全局变量

clear all
clc
global A D

（2）城市位置导入并计算城市间距离

load city_location
distance = dist(citys,citys');

（3）初始化网络

N = size(citys,1);
A = 200;
D = 100;
U0 = 0.1;
step = 0.0001;
delta = 2 * rand(N,N) - 1;
U = U0 * log(N-1) + delta;
V = (1 + tansig(U/U0))/2;
iter_num = 10000;
E = zeros(1,iter_num);

（4）寻优迭代

寻优迭代过程包括动态方程计算、输入神经元状态更新、输出神经元状态更新、能量函数计算四个步骤。

for k = 1:iter_num  dU = diff_u(V,distance);U = U + dU*step;V = (1 + tansig(U/U0))/2;e = energy(V,distance);E(k) = e;  
end

（5）动态方程计算

function du=diff_u(V,d)
global A D
n=size(V,1);
sum_x=repmat(sum(V,2)-1,1,n);
sum_i=repmat(sum(V,1)-1,n,1);
V_temp=V(:,2:n);
V_temp=[V_temp V(:,1)];
sum_d=d*V_temp;
du=-A*sum_x-A*sum_i-D*sum_d;

（6）能量函数计算

function E=energy(V,d)
global A D
n=size(V,1);
sum_x=sumsqr(sum(V,2)-1);
sum_i=sumsqr(sum(V,1)-1);
V_temp=V(:,2:n);
V_temp=[V_temp V(:,1)];
sum_d=d*V_temp;
sum_d=sum(sum(V.*sum_d));
E=0.5*(A*sum_x+A*sum_i+D*sum_d);

（7）主函数

[rows,cols] = size(V);
V1 = zeros(rows,cols);
[V_max,V_ind] = max(V);
for j = 1:colsV1(V_ind(j),j) = 1;
end
C = sum(V1,1);
R = sum(V1,2);
flag = isequal(C,ones(1,N)) & isequal(R',ones(1,N));%% 结果显示
if flag == 1% 计算初始路径长度sort_rand = randperm(N);citys_rand = citys(sort_rand,:);Length_init = dist(citys_rand(1,:),citys_rand(end,:)');for i = 2:size(citys_rand,1)Length_init = Length_init+dist(citys_rand(i-1,:),citys_rand(i,:)');end% 绘制初始路径figure(1)plot([citys_rand(:,1);citys_rand(1,1)],[citys_rand(:,2);citys_rand(1,2)],'o-')for i = 1:length(citys)text(citys(i,1),citys(i,2),['   ' num2str(i)])endtext(citys_rand(1,1),citys_rand(1,2),['       起点' ])text(citys_rand(end,1),citys_rand(end,2),['       终点' ])title(['优化前路径(长度：' num2str(Length_init) ')'])axis([0 1 0 1])grid onxlabel('城市位置横坐标')ylabel('城市位置纵坐标')% 计算最优路径长度[V1_max,V1_ind] = max(V1);citys_end = citys(V1_ind,:);Length_end = dist(citys_end(1,:),citys_end(end,:)');for i = 2:size(citys_end,1)Length_end = Length_end+dist(citys_end(i-1,:),citys_end(i,:)');enddisp('最优路径矩阵');V1% 绘制最优路径figure(2)plot([citys_end(:,1);citys_end(1,1)],...[citys_end(:,2);citys_end(1,2)],'o-')for i = 1:length(citys)text(citys(i,1),citys(i,2),['  ' num2str(i)])endtext(citys_end(1,1),citys_end(1,2),['       起点' ])text(citys_end(end,1),citys_end(end,2),['       终点' ])title(['优化后路径(长度：' num2str(Length_end) ')'])axis([0 1 0 1])grid onxlabel('城市位置横坐标')ylabel('城市位置纵坐标')% 绘制能量函数变化曲线figure(3)plot(1:iter_num,E);ylim([0 2000])title(['能量函数变化曲线(最优能量：' num2str(E(end)) ')']);xlabel('迭代次数');ylabel('能量函数');
elsedisp('寻优路径无效');
end