基于连续型Hopfield神经网络求解TSP问题

clear all clc %定义全局变量 global A D %导入城市位置 load location %计算相互城市之间的距离 distance=dist(citys,citys'); %初始化网络 N=size(citys,1); A=500; D=200; U0=0.2; step=0.00005; delta=2*rand(N,N)-1; U=U0*log(N-1)+delta; V=(1+tansig(U/U0))/2; iter_num=5000; E=zeros(1,iter_num); %寻优迭代 for k=1:iter_num %动态方程计算 dU=diu(V,distance); %输入神经元状态更新 U=U+dU*step; %输出神经元状态更新 V=(1+tansig(U/U0))/2; %能量函数计算 e=energy(V,distance); E(k)=e; end %判断路径有效性 [rows,cols]=size(V); V1=zeros(rows,cols); [V_max,V_ind]=max(V); for j=1:cols V1(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)]) end text(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 on xlabel('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,:)'); end % 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)]) end text(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 on xlabel('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 1000]) 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'); else disp('寻优路径无效'); end