Hopfield解TSP（旅行商问题）

最新推荐文章于 2025-03-10 09:05:06 发布

CSDNMAnonghou

最新推荐文章于 2025-03-10 09:05:06 发布

阅读量1.4k

点赞数

文章标签：几何学

本文链接：https://blog.csdn.net/CSDNMAnonghou/article/details/121106402

版权

这篇博客通过Python编程解决旅行商问题，利用numpy和matplotlib库进行数据处理和结果可视化。文章详细介绍了初始化、计算能量函数、路径优化及城市距离计算的各个步骤，并通过动态动画展示了优化过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

代码主要使用python语言编写，使用了比较流行的数据处理库numpy和数学绘图库matplotlib。定义了初始化函数__init__,初始化U函数，计算dU函数，更新U函数，计算V函数，计算E能量函数函数，路径计算，城市距离计算等函数，并使用matplotlib库对试验结果的动态过程用动画表示出来，直观的显示了优化过程。

import numpy as np
from matplotlib import pyplot as plt
class Hopfield():
    def __init__(self, step, A, D, U0, T, N):
        self.step = step  #设置学习率
        self.A = A
        self.D = D
        self.N = N
        self.U0 = U0  #神经元初始状态
        self.T = T  #循环次数

    def init_U(self, distance):   #初始化神经元状态
        primeU0 = 0.5 * self.U0 * np.log(distance.shape[0] - 1)
        return primeU0 + 2 * (np.random.random(distance.shape)) - 1

    def cal_dU(self, V, distance):
        t1 = np.tile(np.sum(V, axis=0, keepdims=True) - 1.0, (V.shape[0], 1))  #tile为平铺  sum按行相加  keepdims为保持矩阵二维特性
        #上式将V神经元输出矩阵每列相加,并将所得矩阵沿着y轴平铺V.s