下载掌阅APP，畅读海量书库
立即打开
连续型Hopfield神经网络（Continuous Hopfield Neural Network，即CHNN）与离散型Hopfield神经网络具有相同的拓扑结构，它们的不同之处就在于采用了Sigmoid函数代替闭值函数作为神经元的激活函数。相应的，神经元也就不再只有两种状态了，而是在一个范围内连续变化。
Hopfield神经网络是一种反馈型的非线性动力学模型，它引入类似于李雅普诺夫函数的能量函数概念，把神经网络的拓扑结构与所求的问题相对应，并将其转化为神经网络动力学系统的演化问题。它依靠神经元的协同计算功能自发产生并行计算行为，通过网络平衡态与问题最优解的对应达到优化目的。因此，基于反馈型的Hopfield神经网络在求解优化问题之前，必须将优化问题映射为相应的神经网络。
本章主要研究了CHNN的工作原理，推导了它的重要性质与TSP问题的求解方法，给出了相应的MATLAB编程代码。从仿真的结果来看，CHNN对网络模型参数和初始条件具有很强的依赖性且调整参数组合比较困难，CHNN算法的收敛性对待求解问题的自身分布有很强的依赖性，CHNN算法的运算时间增加较快，因此虽然它对于TSP问题的求解有一定的作用，但仍有诸多地方需要改进。