连续型Hopfield神经网络在无人机路径规划中的应用

路径优化问题是智能运输领域中的核心问题，合理的路径能有效提高运输效率，节约时间成本。基于对连续型和离散型的Hopfield神经网络特点进行分析，设计了一种基于连续型的Hopfield神经网络的路径规划方法，用于无人机路线规划。首先对神经网络的结构进行了说明，其次引入能量函数，用于定义神经网络的稳定性。再将目标函数映射为能量函数，将问题的变量对应到神经元的状态，那么当能量函数趋于最小值时，目标函数的最优解便随即得出。最后对案例进行仿真实验，得出最优解，验证了该方法的有效性和实用性。

路径规划问题属于组合优化问题，其目的是从众多可行解中找出最优解，即求出最短路径。传统的求最短路径的方法有Dijkstra 算法[1] [2]、SPFA 算法[3]、A*算法[4]、Floyd 算法[5]等。但这些算法或多或少都存在一些缺陷，例如计算量大，运算时间长，只适用于线性问题求解等。Hopfield 等神经网络的出现，有效克服了传统方法的不足。Hopfield 神经网络能较好的处理非线性问题，且具有并行计算能力， 可以快速处理大量数据[6]。

本文利用连续型的Hopfield 神经网络进行无人机的路径规划， 仿真结果表明， 该方法能快速且有效的求出最优解，规划出最短路径。

2. Hopfield 神经网络概述 2.1. Hopfield 神经网络结构 Hopfield 神经网络是由多个互联的神经元组成的网络，属于反馈式神经网络，网络的输出会反馈到神经元的输入，神经元会根据情况进行自我调节，从而不断变化。当神经网络趋于稳定时，神经元的状态便是所求问题的解。Hopfield 神经网络分为离散型(Discrete Hopfield neural network, DHNN)和连续型(Continuous Hopfield neural network, CHNN)两种模型。二者在拓扑结构上是类似的，文献[7]中给出了CHNN 的拓扑结构，如图1 所示。

Figure 1. Topology structure of CHNN 图1. CHNN 拓扑结构