一个新的分数顺序记忆的霍普菲尔德神经网络用于旅行销售员问题及其FPGA实现

科学领域:

• 计算神经科学是一种神经科学.
• 人工智能的人工智能
• 混沌理论 混沌理论

背景情况:

• 传统的霍普菲尔德神经网络 (HNN) 往往无法为旅行销售员问题 (TSP) 找到最佳解决方案,陷入了局部最小值的困境.
• 基于memristor的神经网络提供独特的特性,但需要进一步探索复杂的优化任务.

研究的目的:

• 提出一种新的分数顺序记忆的霍普菲尔德神经网络 (HNN),以有效地解决旅行销售员问题 (TSP).
• 与传统的HNN模型相比,提高了融合速度和解决方案的准确性.

主要方法:

• 开发一个分数级记忆的霍普菲尔德神经网络 (HNN) 模型.
• 集成分数式微积分和memristor属性,引入长期记忆和混乱动态.
• 为分数顺序的记忆性HNN量身定制的混沌优化算法的设计,以平衡收速度和准确性.
• 使用现场可编程门阵列 (FPGA) 技术实施拟议的网络.

主要成果:

• 分数顺序的记忆函数HNN在解决TSP方面表现出卓越的性能,有效地汇聚到全球最佳解决方案.
• 与传统的HNN相比,拟议的模型实现了更快的融合速度和更短的平均距离.
• 数字模拟验证了算法的有效性,显示了减少无效解决方案和提高了准确性.
• FPGA的实施证实了拟议的神经网络架构的实际可行性.

结论:

• 分数顺序记忆式HNN是解决旅行销售员问题 (TSP) 的一个非常有效的模型.
• 分数计算和memristor的集成显著提高了网络找到全局最佳值的能力,并提高了计算效率.
• 开发的混乱优化算法成功地管理了融合速度和准确性之间的权衡,为复杂的路由问题提供了强大的解决方案.