基于混沌神经网络的液压集成块智能优化设计

　　由于液压集成块外部承装元件的多样性、元件外形的不规则性以及内部孔道网络的复杂性，使其设计工作异常困难而且极易出错. 因此，液压集成块设计的核心问题就是其内部孔道和外部元件布局集成方案的自动优化设计，是在外形干涉和孔道连通校核支撑下的液压元件三维布局方案的自动寻优设计. 这是一种具有性能约束的复杂的立体空间布局问题，数学上称之为组合最优化^{[1 -2]}.

　　遗传算法、模拟退火算法、人工神经网络、混沌等人工智能方法为布局优化问题提供了新的思路和手段. 遗传算法在求解NP-C 类型的组合优化问题及非线性多目标函数优化问题方面有一定的优越性，但它存在“过早收敛”的缺陷，常常陷入局部最优解而不能自拔. 模拟退火算法依据Metropolis 准则，既可以接受优化解，又可以在一定范围内接受恶化解，具有跳出局部最优点的能力. 但对于大中型问题，模拟退火算法的初始温度通常选取得很高，而且温度下降非常缓慢，大大增加了运算量，特别是对于带性能约束的布局问题，计算更加复杂费时^[3].人工神经网络具有自适应性、自学习性、强容错行和巨并行性等许多人脑所具有的特性，自从Hopfield 提出具有反馈神经网络模型并较成功地解决TSP 问题以来，人们开始把神经网络应用于各种组合优化问题的求解过程中，同时为避免Hopfield 网络陷入局部极小，许多具有混沌动力学特性的神经网络被提出来，为组合优化问题的全局寻优提供了新的手段^[4].

　　由于布局设计问题的多样性、求解过程的综合性，单纯地应用一种算法来解决布局设计问题，往往难以取得满意的效果，将多种算法有效地结合起来形成有效的混合算法，再与人工智能有机结合就会产生解决液压集成块布局设计问题的有效方法[5]. 本文基于退火控制构造一种混沌神经网络模型，并将它引入到液压集成块布局布孔优化设计中，这种基于退火控制的混沌神经网络模型不但具有自组织特性，同时还具有克服陷入局部极小的能力.

　　1 基于退火控制的混沌神经网络模型及其优化机理

　　1. 1 基于退火控制的混沌神经网络模型

　　通过在Hopfield 神经网络的动态方程中加入一个负的自反馈项，将混沌机制引入Hopfield网络，同时结合模拟退火技术来控制混沌动态，

　　构造如下的具有自组织特性和克服陷入局部极小能力的混沌神经网络模型:

　　其中，式( 1) 为网络动态方程，式( 2) 为神经元激励函数，式( 3) 和( 4) 类似模拟退火算法中的退温函数.v_i( t) 为第i 个神经元的输出;u_i( t) 为第i个神经元的内部状态; 是第j 个神经元到第i 个神经元的连接权; I_i、I₀分别为设定阈值和外加混沌量; β 和λ 分别为尺度和退温参数.