1 人工神经网络产生的背景自古以来，关于人类智能本源的奥秘，一直吸引着无数哲学家和自然科学家的研究热情。生物学家、神经学家经过长期不懈的努力，通过对人脑的观察和认识，认为人脑的智能活动离不开脑的物质基础，包括它的实体结构和其中所发生的各种生物、化学、电学作用，并因此建立了神经元网络理论和神经系统结构理论，而神经元理论又是此后神经传导理论和大脑功能学说的基础。在这些理论基础之上，科学家们认为，可以从仿制人脑神经系统的结构和功能出发，研究人类智能活动和认识现象。另一方面，19世纪之前，无论是以欧氏几何和微积分为代表的经典数学，还是以牛顿力学为代表的经典物理学，从总体上说，这些经典科学都是线性科学。然而，客观世界是如此的纷繁复杂，非线性情况随处可见，人脑神经系统更是如此。复杂性和非线性是连接在一起的，因此，对非线性科学的研究也是我们认识复杂系统的关键。为了更好地认识客观世界，我们必须对非线性科学进行研究。人工神经网络作为一种非线性的、与大脑智能相似的网络模型，就这样应运而生了。所以，人工神经网络的创立不是偶然的，而是20世纪初科学技术充分发展的产物。2 人工神经网络的发展人工神经网络的研究始于40年代初。半个世纪以来，经历了兴起、高潮与萧条、高潮及稳步发展的远为曲折的道路。1943年，心理学家WSMcculloch和数理逻辑学家WPitts 提出了M—P模型，这是第一个用数理语言描述脑的信息处理过程的模型， 虽然神经元的功能比较弱，但它为以后的研究工作提供了依据。1949年，心理学家DOHebb提出突触联系可变的假设，根据这一假设提出的学习规律为神经网络的学习算法奠定了基础。 1957 年， 计算机科学家Rosenblatt提出了著名的感知机模型，它的模型包含了现代计算机的一些原理，是第一个完整的人工神经网络，第一次把神经网络研究付诸工程实现。由于可应用于模式识别，联想记忆等方面，当时有上百家实验室投入此项研究，美国军方甚至认为神经网络工程应当比“原子弹工程”更重要而给予巨额资助，并在声纳信号识别等领域取得一定成绩。1960年，BWindrow和EHoff提出了自适应线性单元， 它可用于自适应滤波、预测和模式识别。至此，人工神经网络的研究工作进入了第一个高潮。1969年，美国著名人工智能学者MMinsky和SPapert编写了影响很大的Perceptron一书，从理论上证明单层感知机的能力有限，诸如不能解决异或问题，而且他们推测多层网络的感知机能力也不过如此，他们的分析恰似一瓢冷水，很多学者感到前途渺茫而纷纷改行，原先参与研究的实验室纷纷退出，在这之后近10年，神经网络研究进入了一个缓慢发展的萧条期。这期间，芬兰学者TKohonen 提出了自组织映射理论，反映了大脑神经细胞的自组织特性、记忆方式以及神经细胞兴奋刺激的规律；美国学者SAGrossberg的自适应共振理论（ART ）；日本学者KFukushima提出了认知机模型；ShunIchimari则致力于神经网络有关数学理论的研究等，这些研究成果对以后的神经网络的发展产生了重要影响。美国生物物理学家JJHopfield于1982年、1984年在美国科学院院刊发表的两篇文章，有力地推动了神经网络的研究，引起了研究神经网络的又一次热潮。 1982 年， 他提出了一个新的神经网络模型——hopfield网络模型。他在这种网络模型的研究中，首次引入了网络能量函数的概念，并给出了网络稳定性的判定依据。1984年，他又提出了网络模型实现的电子电路，为神经网络的工程实现指明了方向，他的研究成果开拓了神经网络用于联想记忆的优化计算的新途径，并为神经计算机研究奠定了基础。1984年Hinton等人将模拟退火算法引入到神经网络中，提出了Boltzmann机网络模型，BM 网络算法为神经网络优化计算提供了一个有效的方法。1986年，DERumelhart和JLMcclelland提出了误差反向传播算法，成为至今为止影响很大的一种网络学习方法。1987年美国神经计算机专家RHecht—Nielsen提出了对向传播神经网络，该网络具有分类灵活，算法简练的优点，可用于模式分类、函数逼近、统计分析和数据压缩等领域。1988年LOchua 等人提出了细胞神经网络模型，它在视觉初级加工上得到了广泛应用。为适应人工神经网络的发展，1987年成立了国际神经网络学会，并决定定期召开国际神经网络学术会议。1988年1月Neural Network 创刊。1990年3月IEEE Transaction on Neural Network问世。 我国于1990年12月在北京召开了首届神经网络学术大会，并决定以后每年召开一次。1991 年在南京成立了中国神经网络学会。 IEEE 与INNS 联合召开的IJCNN92已在北京召开。 这些为神经网络的研究和发展起了推波助澜的作用，人工神经网络步入了稳步发展的时期。90年代初，诺贝尔奖获得者Edelman提出了Darwinism模型，建立了神经网络系统理论。同年，Aihara等在前人推导和实验的基础上，给出了一个混沌神经元模型，该模型已成为一种经典的混沌神经网络模型，该模型可用于联想记忆。 Wunsch 在90OSA 年会上提出了一种AnnualMeeting，用光电执行ART，学习过程有自适应滤波和推理功能，具有快速和稳定的学习特点。1991年，Hertz探讨了神经计算理论， 对神经网络的计算复杂性分析具有重要意义；Inoue 等提出用耦合的混沌振荡子作为某个神经元，构造混沌神经网络模型，为它的广泛应用前景指明了道路。1992年，Holland用模拟生物进化的方式提出了遗传算法， 用来求解复杂优化问题。1993年方建安等采用遗传算法学习，研究神经网络控制器获得了一些结果。1994年Angeline等在前人进化策略理论的基础上，提出一种进化算法来建立反馈神经网络，成功地应用到模式识别，自动控制等方面；廖晓昕对细胞神经网络建立了新的数学理论和方法，得到了一系列结果。HayashlY根据动物大脑中出现的振荡现象，提出了振荡神经网络。1995年Mitra把人工神经网络与模糊逻辑理论、 生物细胞学说以及概率论相结合提出了模糊神经网络，使得神经网络的研究取得了突破性进展。Jenkins等人研究光学神经网络， 建立了光学二维并行互连与电子学混合的光学神经网络，它能避免网络陷入局部最小值，并最后可达到或接近最理想的解；SoleRV等提出流体神经网络，用来研究昆虫社会，机器人集体免疫系统，启发人们用混沌理论分析社会大系统。1996年，ShuaiJW’等模拟人脑的自发展行为， 在讨论混沌神经网络的基础上提出了自发展神经网络。1997、1998年董聪等创立和完善了广义遗传算法，解决了多层前向网络的最简拓朴构造问题和全局最优逼近问题。随着理论工作的发展，神经网络的应用研究也取得了突破性进展，涉及面非常广泛，就应用的技术领域而言有计算机视觉，语言的识别、理解与合成，优化计算，智能控制及复杂系统分析，模式识别，神经计算机研制，知识推理专家系统与人工智能。涉及的学科有神经生理学、认识科学、数理科学、心理学、信息科学、计算机科学、微电子学、光学、动力学、生物电子学等。美国、日本等国在神经网络计算机软硬件实现的开发方面也取得了显著的成绩，并逐步形成产品。在美国，神经计算机产业已获得军方的强有力支持，国防部高级研究计划局认为“神经网络是解决机器智能的唯一希望”，仅一项8 年神经计算机计划就投资4亿美元。在欧洲共同体的ESPRIT计划中， 就有一项特别项目：“神经网络在欧洲工业中的应用”，单是生产神经网络专用芯片这一项就投资2200万美元。据美国资料声称，日本在神经网络研究上的投资大约是美国的4倍。我国也不甘落后，自从1990 年批准了南开大学的光学神经计算机等3项课题以来， 国家自然科学基金与国防预研基金也都为神经网络的研究提供资助。另外，许多国际著名公司也纷纷卷入对神经网络的研究，如Intel、IBM、Siemens、HNC。神经计算机产品开始走向商用阶段，被国防、企业和科研部门选用。在举世瞩目的海湾战争中，美国空军采用了神经网络来进行决策与控制。在这种刺激和需求下，人工神经网络定会取得新的突破，迎来又一个高潮。自1958年第一个神经网络诞生以来，其理论与应用成果不胜枚举。人工神经网络是一个快速发展着的一门新兴学科，新的模型、新的理论、新的应用成果正在层出不穷地涌现出来。3 人工神经网络的发展前景针对神经网络存在的问题和社会需求，今后发展的主要方向可分为理论研究和应用研究两个方面。（1）利用神经生理与认识科学研究大脑思维及智能的机理、 计算理论，带着问题研究理论。人工神经网络提供了一种揭示智能和了解人脑工作方式的合理途径，但是由于人类起初对神经系统了解非常有限，对于自身脑结构及其活动机理的认识还十分肤浅，并且带有某种“先验”。例如， Boltzmann机引入随机扰动来避免局部极小，有其卓越之处，然而缺乏必要的脑生理学基础，毫无疑问，人工神经网络的完善与发展要结合神经科学的研究。而且，神经科学，心理学和认识科学等方面提出的一些重大问题，是向神经网络理论研究提出的新挑战，这些问题的解决有助于完善和发展神经网络理论。因此利用神经生理和认识科学研究大脑思维及智能的机理，如有新的突破，将会改变智能和机器关系的认识。利用神经科学基础理论的研究成果，用数理方法探索智能水平更高的人工神经网络模型，深入研究网络的算法和性能，如神经计算、进化计算、稳定性、收敛性、计算复杂性、容错性、鲁棒性等，开发新的网络数理理论。由于神经网络的非线性，因此非线性问题的研究是神经网络理论发展的一个最大动力。特别是人们发现，脑中存在着混沌现象以来，用混沌动力学启发神经网络的研究或用神经网络产生混沌成为摆在人们面前的一个新课题，因为从生理本质角度出发是研究神经网络的根本手段。（2）神经网络软件模拟， 硬件实现的研究以及神经网络在各个科学技术领域应用的研究。由于人工神经网络可以用传统计算机模拟，也可以用集成电路芯片组成神经计算机，甚至还可以用光学的、生物芯片的方式实现，因此研制纯软件模拟，虚拟模拟和全硬件实现的电子神经网络计算机潜力巨大。如何使神经网络计算机与传统的计算机和人工智能技术相结合也是前沿课题；如何使神经网络计算机的功能向智能化发展，研制与人脑功能相似的智能计算机，如光学神经计算机，分子神经计算机，将具有十分诱人的前景。4 哲理（1）人工神经网络打开了认识论的新领域认识与脑的问题，长期以来一直受到人们的关注，因为它不仅是有关人的心理、意识的心理学问题，也是有关人的思维活动机制的脑科学与思维科学问题，而且直接关系到对物质与意识的哲学基本问题的回答。人工神经网络的发展使我们能够更进一步地既唯物又辩证地理解认识与脑的关系，打开认识论的新领域。人脑是一个复杂的并行系统，它具有“认知、意识、情感”等高级脑功能，用人工进行模拟，有利于加深对思维及智能的认识，已对认知和智力的本质的研究产生了极大的推动作用。在研究大脑的整体功能和复杂性方面，人工神经网络给人们带来了新的启迪。由于人脑中存在混沌现象，混沌可用来理解脑中某些不规则的活动，从而混沌动力学模型能用作人对外部世界建模的工具，可用来描述人脑的信息处理过程。混沌和智能是有关的，神经网络中引入混沌学思想有助于提示人类形象思维等方面的奥秘。人工神经网络之所以再度兴起，关键在于它反映了事物的非线性，抓住了客观世界的本质，而且它在一定程度上正面回答了智能系统如何从环境中自主学习这一最关键的问题，从认知的角度讲，所谓学习，就是对未知现象或规律的发现和归纳。由于神经网络具有高度的并行性，高度的非线性全局作用，良好的容错性与联想记忆功能以及十分强的自适应、自学习功能，而使得它成为揭示智能和了解人脑工作方式的合理途径。但是，由于认知问题的复杂性，目前，我们对于脑神经网的运行和神经细胞的内部处理机制，如信息在人脑是如何传输、存贮、加工的？记忆、联想、判断是如何形成的？大脑是否存在一个操作系统？还没有太多的认识，因此要制造人工神经网络来模仿人脑各方面的功能，还有待于人们对大脑信息处理机理认识的深化。（2）人工神经网络发展的推动力来源于实践、 理论和问题的相互作用随着人们社会实践范围的不断扩大，社会实践层次的不断深入，人们所接触到的自然现象也越来越丰富多彩、纷繁复杂，这就促使人们用不同的原因加以解释不同种类的自然现象，当不同种类的自然现象可以用同样的原因加以解释，这样就出现了不同学科的相互交叉、综合，人工神经网络就这样产生了。在开始阶段，由于这些理论化的网络模型比较简单，还存在许多问题，而且这些模型几乎没有得到实践的检验，因而神经网络的发展比较缓慢。随着理论研究的深入，问题逐渐地解决特别是工程上得到实现以后，如声纳识别成功，才迎来了神经网络的第一个发展高潮。可Minisky认为感知器不能解决异或问题， 多层感知器也不过如此，神经网络的研究进入了低谷，这主要是因为非线性问题没得到解决。随着理论的不断丰富，实践的不断深入， 现在已证明Minisky的悲观论调是错误的。今天，高度发达的科学技术逐渐揭示了非线性问题是客观世界的本质。问题、理论、实践的相互作用又迎来了人工神经网络的第二次高潮。目前人工神经网络的问题是智能水平不高，还有其它理论和实现方面的问题，这就迫使人们不断地进行理论研究，不断实践，促使神经网络不断向前发展。总之，先前的原因遇到了解释不同的新现象，促使人们提出更加普遍和精确的原因来解释。理论是基础，实践是动力，但单纯的理论和实践的作用还不能推动人工神经网络的发展，还必须有问题提出，才能吸引科学家进入研究的特定范围，引导科学家从事相关研究，从而逼近科学发现，而后实践又提出新问题，新问题又引发新的思考，促使科学家不断思考，不断完善理论。人工神经网络的发展无不体现着问题、理论和实践的辩证统一关系。（3 ）人工神经网络发展的另一推动力来源于相关学科的贡献及不同学科专家的竞争与协同人工神经网络本身就是一门边缘学科，它的发展有更广阔的科学背景，亦即是众多科研成果的综合产物，控制论创始人Wiener在其巨著《控制论》中就进行了人脑神经元的研究；计算机科学家Turing就提出过B网络的设想；Prigogine提出非平衡系统的自组织理论，获得诺贝尔奖；Haken研究大量元件联合行动而产生宏观效果， 非线性系统“混沌”态的提出及其研究等，都是研究如何通过元件间的相互作用建立复杂系统，类似于生物系统的自组织行为。脑科学与神经科学的进展迅速反映到人工神经网络的研究中，例如生物神经网络理论，视觉中发现的侧抑制原理，感受野概念等，为神经网络的发展起了重要的推动作用。从已提出的上百种人工神经网络模型中，涉及学科之多，令人目不暇接，其应用领域之广，令人叹为观止。不同学科专家为了在这一领域取得领先水平，存在着不同程度的竞争，所有这些有力地推动了人工神经网络的发展。人脑是一个功能十分强大、结构异常复杂的信息系统，随着信息论、控制论、生命科学，计算机科学的发展，人们越来越惊异于大脑的奇妙，至少到目前为止，人类大脑信号处理机制对人类自身来说，仍是一个黑盒子，要揭示人脑的奥秘需要神经学家、心理学家、计算机科学家、微电子学家、数学家等专家的共同努力，对人类智能行为不断深入研究，为人工神经网络发展提供丰富的理论源泉。另外，还要有哲学家的参与，通过哲学思想和自然科学多种学科的深层结合，逐步孕育出探索人类思维本质和规律的新方法，使思维科学从朦胧走向理性。而且，不同领域专家的竞争与协调同有利于问题清晰化和寻求最好的解决途径。纵观神经网络的发展历史，没有相关学科的贡献，不同学科专家的竞争与协同，神经网络就不会有今天。当然，人工神经网络在各个学科领域应用的研究反过来又推动其它学科的发展，推动自身的完善和发展。
你不翻译了？？？
物流配送中心选址方法研究综述 内容摘要：物流配送中心的选址决策在物流运作中有着重要的地位。本文对近年来国内外有关配送中心选址方法的文献进行梳理和研究。研究结果发现：各种选址方法有着各自的优缺点和一定的适用范围，各种方法的组合是未来该领域研究的趋势。 关键词：物流配送中心 选址 文献综述 在物流系统的运作中，配送中心的选址决策发挥着重要的影响。配送中心是连接工厂与客户的中间桥梁，其选址方式往往决定着物流的配送距离和配送模式，进而影响着物流系统的运作效率。因此，研究物流配送中心的选址具有重要的理论和现实应用意义。 本文对近年来国内外有关物流配送中心选址方法的文献进行了梳理和研究，并对各种方法进行了比较。选址方法主要有定性和定量的两种方法。定性方法有专家打分法、Delphi法等，定量方法有重心法、P中值法、数学规划方法、多准则决策方法、解决NP hard问题（多项式复杂程度的非确定性问题）的各种启发式算法、仿真法以及这几种方法相结合的方法等。由于定性研究方法及重心法、P中值法相对比较成熟，因此，本文将主要分析定量方法中的数学规划、多准则决策、解决NP hard问题的各种启发式算法、仿真在配送中心选址中应用的研究状况。 数学规划方法 数学规划算法包括线性规划、非线性规划、整数规划、混合整数规划和动态规划、网络规划算法等。在近年来的研究中，规划论中常常引入了不确定性的概念，由此进一步产生了模糊规划、随机规划、模糊随机规划、随机模糊规划等等。不确定性规划主要是在规划中的C(价值向量)、A(资源消耗向量)、b(资源约束向量)和决策变量中引入不确定性，从而使得不确定规划更加贴近于实际情况，得到广泛地实际应用。 国内外学者对于数学规划方法应用于配送中心的选址问题进行了比较深入的研究。姜大元(2005)应用Baumol-wolf模型，对多物流节点的选址问题进行研究，并通过举例对模型的应用进行了说明，该模型属于整数规划和非参数规划结合的模型。各种规划的方法在具体的现实使用中，常常出现NP hard问题。因此，目前的进一步研究趋势是各种规划方法和启发式算法的结合，对配送中心的选址进行一个综合的规划与计算。 多准则决策方法 在物流系统的研究中，人们常常会遇到大量多准则决策问题，如配送中心的选址、运输方式及路线选择、供应商选择等等。这些问题的典型特征是涉及到多个选择方案(对象)，每个方案都有若干个不同的准则，要通过多个准则对于方案(对象)做出综合性的选择。对于物流配送中心的选址问题，人们常常以运输成本及配送中心建设、运作成本的总成本最小化，满足顾客需求，以及满足社会、环境要求等为准则进行决策。多准则决策的方法包括多指标决策方法与多属性决策方法两种，比较常用的有层次分析法(AHP)、模糊综合评判、数据包络分析(DEA),TOPSIS、优序法等等。 多准则决策提供了一套良好的决策方法体系，对于配送中心的选址不管在实务界还是理论方面的研究均有广泛的应用与研究。关志民等(2005)提出了基于模糊多指标评价方法的配送中心选址优化决策。从供应链管理的实际需要分析了影响配送中心选址的主要因素，并建立相应的评价指标体系，由此给出了一种使定性和定量的方法有机结合的模糊多指标评价方法。Chen-Tung Chen(2001)运用了基于三角模糊数的模糊多准则决策对物流配送中心的选址问题进行了研究。文章以投资成本、扩展的可能性、获取原材料的便利性、人力资源、顾客市场的接近性为决策准则，并对各个准则采用语义模糊判定的方式进行了权重上的集结。 有关多准则决策方法，特别是层次分析法和模糊综合评判的方法，在配送中心的选址研究中有着广泛的应用。但是，这两种方法都是基于线性的决策思想，在当今复杂多变的环境下，线性的决策思想逐渐地暴露出其固有的局限性，非线性的决策方法是今后进一步的研究的重点和趋势。 启发式算法 启发式算法是寻求解决问题的一种方法和策略，是建立在经验和判断的基础上，体现人的主观能动作用和创造力。启发式算法常常能够比较有效地处理NP hard问题，因此，启发式算法经常与其它优化算法结合在一起使用，使两者的优点进一步得到发挥。目前，比较常用的启发式算法包括：遗传算法；神经网络算法；模拟退火算法。 （一）遗传算法 遗传算法（genetic algorithm, GA）是在 20 世纪 60 年代提出来的，是受遗传学中自然选择和遗传机制启发而发展起来的一种搜索算法。它的基本思想是使用模拟生物和人类进化的方法求解复杂的优化问题，因而也称为模拟进化优化算法。遗传算法主要有三个算子：选择；交叉；变异。通过这三个算子，问题得到了逐步的优化，最终达到满意的优化解。 对于物流配送中心的选址研究，国内外有不少学者将遗传算法同一般的规划方法结合起来对其进行了研究。蒋忠中等（2005）在考虑各种成本(包括运输成本等)的基础上，结合具体的应用背景，建立的数学规划模型(混合整数规划或是一般的线性规划)。由于该模型是一个组合优化问题，具有NP hard问题，因此，结合了遗传算法对模型进行求解。通过选择恰当的编码方法和遗传算子，求得了模型的最优解。 遗传算法作为一种随机搜索的、启发式的算法，具有较强的全局搜索能力，但是，往往比较容易陷入局部最优情况。因此，在研究和应用中，为避免这一缺点，遗传算法常常和其它算法结合应用，使得这一算法更具有应用价值。 （二）人工神经网络 人工神经网络(artificial neural- network, ANN)是由大量处理单元(神经元)广泛互连而成的网络，是对人脑的抽象、简化和模拟，反应人脑的基本特征。可以通过对样本训练数据的学习，形成一定的网络参数结构，从而可以对复杂的系统进行有效的模型识别。经过大量样本学习和训练的神经网络在分类和评价中，往往要比一般的分类评价方法有效。 对于神经网络如何应用于物流配送中心的选址，国内外不少学者进行了各种有益的尝试。韩庆兰等（2004）用BP网络对物流配送中心的选址问题进行了尝试性地研究，显示出神经网络对于解决配送中心选址问题具有一定的可行性和可操作性。 这一研究的不足是神经网络的训练需要大量的数据，在对数据的获取有一定的困难的情况下，用神经网络来研究是不恰当的。在应用ANN时，我们应当注意网络的学习速度、是否陷入局部最优解、数据的前期准备、网络的结构解释等问题，这样才能有效及可靠地应用ANN解决实际存在的问题。 （三）模拟退火算法 模拟退火算法(Simulated Annealing, SA)又称模拟冷却法、概率爬山法等，于1982年由Kirpatrick提出的另一种启发式的、随机优化算法。模拟退火算法的基本思想由一个初始的解出发，不断重复产生迭代解，逐步判定、舍弃，最终取得满意解的过程。模拟退火算法不但可以往好的方向发展,也可以往差的方向发展,从而使算法跳出局部最优解,达到全局最优解。 对于模拟退火算法应用于物流配送中心选址的研究，大量的文献结合其它方法（如多准则决策、数学规划等）进行了研究。任春玉(2006)提出了定量化的模拟退火遗传算法与层次分析法相结合来确定配送中心地址的方法。该方法确保总体中个体多样性以及防止遗传算法的提前收敛，运用层次分析法确定 物流配送中心选址评价指标权重，并与专家评分相结合进行了综合评价。该算法对于解决物流配送中心的选址具有较好的有效性和可靠性。 除以上三种比较常用的方法之外，启发式算法还包括蚁群算法、禁忌搜索算法、进化算法等。各种算法在全局搜索能力、优缺点、参数、解情况存在着一定的差异。各种启发式算法基本上带有随机搜索的特点，已广泛地应用于解决NP hard问题，同时也为物流配送中心选址的智能化处理提供了可能。用解析的方法(包括线性规划等)建立数学模型，然后运用启发式算法进行求解是目前以及未来研究物流配送中心选址的一种较为可行和可操作的研究方法。 仿真方法 仿真是利用计算机来运行仿真模型，模拟时间系统的运行状态及其随时间变化的过程，并通过对仿真运行过程的观察和统计，得到被仿真系统的仿真输出参数和基本特征，以此来估计和推断实际系统的真实参数和真实性能。国内外已经不少文献将仿真的方法运用于物流配送中心选址或是一般的设施选址的研究，研究结果相对解析方法更接近于实际的情况。 张云凤等(2005)对汽车集团企业的配送中心选址运用了仿真的方法进行了研究。先确定了配送中心选址的几种方案，应用了Flexim软件对各方案建立了仿真模型，根据仿真结果进行了分析和方案的选择。该方法为集团企业配送中心选址问题提供了一种较为理想的解决方法。薛永吉等(2005)通过建立数学模型对物流中心的最优站台数问题进行研究，在一定假设和一系列限制条件下，求解最优站台数量，并针对数学模型的复杂性和求解的种种不足，以ARENA仿真软件为平台，建立仿真模型确定了最优化方案。Kazuyoshi Hidaka等(97)运用仿真对大规模的仓库选址进行了研究。该研究对仓库的固定成本、运输成本，和同时满足6800名顾客进行了仿真，以求得临近的最优解(near-optimal solution)。在求解的过程中，结合了贪婪－互换启发式算法(Greedy-Interchange heuristics)和气球搜索算法(Balloon Search)两种启发式算法进行求解。该算法能比较有效地避免陷入局部最优解和得到比较满意的选址方案。但是，研究的结果容易受到运输车辆的平均速度变化的影响。 仿真方法相对解析的方法在实际应用中具有一定的优点，但是，也存在一定的局限性。如仿真需要进行相对比较严格的模型的可信性和有效性的检验。有些仿真系统对初始偏差比较敏感，往往使得仿真结果与实际结果有较大的偏差。同时，仿真对人和机器要求往往比较高，要求设计人员必须具备丰富的经验和较高的分析能力，而相对复杂的仿真系统，对计算机硬件的相应要求是比较高的。关于未来的研究，各种解析方法、启发式算法、多准则决策方法与仿真方法的结合，是一种必然的趋势。各种方法的结合可以弥补各自的不足，而充分发挥各自的优点，从而提高选址的准确性和可靠性。 物流配送中心的选址决策对于整个物流系统运作和客户满意情况有着重要的影响。本文在对国内外有关物流配送中心选址方法文献研究的基础上，对比分析了数学规划方法、多准则决策、启发式算法、仿真方法在配送中心选址中的应用。研究发现数学规划方法、多属性决策方法、启发式算法、仿真方法各自有自己的优缺点和一定的适用范围，各种方法的组合研究是未来研究的一种趋势。同时，由于选址问题本身具有的动态性、复杂性、不确定性等特性，因此，开发和研究新的模型与方法也是进一步解决配送中心选址问题的必需途径。 参考文献： 蒋忠中，汪定伟B2C电子商务中配送中心选址优化的模型与算法(J)控制与决策，2005 韩庆兰，梅运先基于BP人工神经网络的物流配送中心选址决策(J)中国软科学，2004
神经元网络在结构优化中的应用自20世纪80年代中期以来,神经网络的理论和应用几乎涉及到了机械工程里的各个领域人工神经元网络能够在机械工程领域中获得广泛应用是因为它模拟人脑结构及智能行为,以及大规模并行处理,容错,自组织和自适应能力等特性决定的作为一种新的建模工具,人工神经元网络不同于专家系统那样需要事先建立知识库,知识的获取只需要提供足够的训练样本,训练合格的网络将知识存储在权系数中,人工神经元网络能够模拟现实系统复杂的输入输出关系,具有很强的非线形建模能力,因此在设计优化中有很好的应用前景结构优化设计,众所周知面临着计算效率和处理对象复杂性之间的矛盾,为了提高计算效率,各种近似重分析方法应运而生,用以代替完整的有限元分析传统的结构近似重分析技术是基于泰勒级数展开的,这种方法有其局限性,如需要使用导数信息,设计变量的变化副值不能太大等神经网络的出现为结构近似重分析技术提出了一种新途径,是一种很有使用价值的方法在有限元分析中,当载荷条件确定时,静动力特性分析可以看成是从设计变量到结构响应之间的映射,如果这种影射关系可以确定的话,那么结构近似重分析就不在话下了,人工神经元网络能够实现从n畏设计空间到m维任意非线形映射,用它来处理设计变量和结构响应之间的映射,应该是非常合适的神经元研究的热点在于一下几个方面:一个就是网络的选择,进行非线形逼近的有很多网络可以做,包括BP,RBF,支持向量机网络等,这些网络在非线形逼近方面的能力是不一样的,而且基于的数学理论也是很不同的,可以参考一些文献比较一下,个人感觉BRF网络的非线形逼近能力还是比较强的另一个就是在网络类型确定之后,样本的准备,包括样本的数量还有样本的分布,这些都是影响网络近似能力很重要的问题,样本选取一般要结合实验设计方法还有就是很重要的就是网络结构的确定,比如隐层数,隐层节点数等,而且目前还有理论支撑来确定网络结构,不过现在已经有可以根据模型复杂度来自动删减的 bp网络这里只是简单介绍了一下神经元网络在结构优化中的应用中一些基本的问题,有兴趣的可以看看,另外在新版本的0中已经有了RBF网络 朋友，你看参考这里： -4911-1-html
模糊神经网络结合了神经网络系统和模糊系统的长处，它在处理非线性、模糊性等问题上有很大的优越性，在智能信息处理方面存在巨大的潜力；使得越来越多的专家学者投入到这个领域中来，并做出了卓有成效的研究成果。但是，对模糊神经网络的研究，大都是基于算法的创新、改进和完善，少有综述性的文献对它进行概述，使初接触这一领域的人往往无所适从，很难在短时间内理解模糊神经网络的概念，也很难实际应用它。作者在阅读了大量文献的基础上，对各种相关理论知识进行整理、归纳和研究，旨在对模糊神经网络做一个系统的概述和一些初步的探索。本文实际上由两部分组成：第一部分是对模糊神经网络的概述；第二部分是一种算法的提出及其实现过程。模糊神经网络是一个较新的概念，文章从神经网络系统与模糊系统的历史论述到它的起源与发展，论证了它产生的可能性与必要性，并简要介绍了国内外模糊逻辑神经网络软件硬件。在模糊神经元概念的基础上，定义了模糊神经网络；从函数映射角度上，讨论了神经网络系统和模糊系统的函数逼近能力；二者都能以任意精度逼近任何连续实函数；对理论成熟的算法和模型，作了简洁的介绍。针对模糊神经网终（络）实观时的具体问题，对网终（络）的学习能力、容量、结构分布等细节逆行了探讨。本文提出了一种模糊神经网络的二步混合算法：第一步，采用模糊推理系统结合遗传算法根据训练样本确定隶属函数的参数，通过遗传算法搜索定义域范围内的参数最优解。文中选用S-T模型作为模糊推理系统中的推理模型。第二步，确定网络结构，根据训练样本采用BP算法训练网络，调整网络权值和偏差，为了避免局部最小观象和加快网络收敛速度，选用加动量因子变学习率的改进BP算法为训练算法。为了更广泛地应用遗传算法，文中用C++,实现了通用遗传算法类库，在实观过程中结合使用了类模板，抽象类等技术。该类库支持一维和多维函数的最优化。对多维函数可以采用统一长度的或者各维长度不同的基因；支持固定和可变变异率，支持固定迭代代数结束迭代和满足一定条件结束迭代。作者用MATLAB的Fuzzy Toolbox及NNetToolbox实现了算法，仿真结果表明，该算法效率高、收敛速度快、模型精度高
用文字、图形、符号、声频、视频等技术手段记录人类知识的一种载体，或理解为固化在一定物质载体上的知识。现在通常理解为图书、期刊等各种出版物的总和。文献是记录、积累、传播和继承知识的最有效手段，是人类社会活动中获取情报的最基本、最主要的来源，也是交流传播情报的最基本手段。正因为如此，人们把文献称为情报工作的物质基础。在国内国外，都常常可以看到有人把“文献”与“情报”，“文献学”与“情报学”等同起来，虽然这种等同未必适宜，但却反映了文献在情报活动和科学中的极为重要的地位。 区分文献类型或形式有多种方法，其中最主要的是根据载体把其分为印刷型、缩微型、机读型和声像型。（1）印刷型：是文献的最基本方式，包括铅印、油印、胶印、石印等各种资料。优点查可直接、方便地阅读。（2）缩微型：是以感光材料为载体的文献，又可分为缩微胶卷和缩微平片，优点是体积小、便于保存、转移和传递。但阅读时须用阅读器。（3）计算机阅读型：是一种最新形式的载体。它主要通过编码和程序设计，把文献变成符号和机器语言，输入计算机，存储在磁带或磁盘上，阅读时，再由计算机输出，它能存储大量情报，可按任何形式组织这些情报，并能以极快的速度从中取出所需的情报。近年来出现的电子图书即属于这种类型。（4）声像型：又称直感型或视听型，是以声音和图像形式记录在载体上的文献，如唱片、录音带、录像带、科技电影、幻灯片等。 文献在科学和社会发展中所起的作用表现在：（1）是科学研究和技术研究结果的最终表现形式；（2）是在空间、时间上传播情报的最佳手段；（3）是确认研究人员对某一发现或发明的优先权的基本手段；（4）是衡量研究人员创造性劳动效率的重要指标；（5）是研究人员自我表现和确认自己在科学中的地位的手段，因而是促进研究人员进行研究活动的重要激励因素；（6）是人类知识宝库的组成部分，是人类的共同财富。 根据文献内容、性质和加工情况可将文献区分为：一次文献、二次文献、三次文献。一次文献指以作者本人的研究成果为依据而创作的原始文献，如期刊论文、研究报告、专利说明书、会议论文等。二次文献是对一次文献进行加工整理后产生的一类方面，如书目、题录、简介、文摘等检索工具。三次文献是在一、二次文献的基础上，经过综合分析而编写出来的文献，人们常把这类文献称为“情报研究”的成果，如综述、专题述评、学科年度总结、进展报告、数据手册等。与此类似，也有把情报区分成一次情报、二次情报、三次情报的。 构成文献的三个基本要素是:知识、载体和记录 文献综述有两种，一种是“大综述”，就一个领域的文献的总结，经常会发在专门发Review的杂志上，或者是在Handbook里。写这种综述文章的人有许多是权威人物，但也有一些是助教授级别的人写的，但作者一般都是在这个题目上做了相当贡献的人。“大综述”中还有一种“超大综述”（这些提法都是我为了论述方便杜撰的）以前在Bhagawati时代，Bhagwati、Max Corden等人做过一些整个国际贸易理论领域的综述，但这些年我没有见到有谁做类似的东西，现在一般综述都是就作者擅长的一个方面写的，然后集在手册里。另外一些研究生教材，特别是Feenstra的那本，写法很像综述。 另一种是“小综述”，就是论文第一部分Introduction部分的综述。这个综述的目的主要不是为了向其他人介绍前沿，而是为了推出自己的论述和模型，是以述带论，核心功能是定义“Gap"，就是说明现有的研究状况如何，缺在哪里，我准备做的贡献是什么。所以，这种综述并不强求非常全面细致，不是“掉书袋”，而应该侧重介绍与自己的研究直接相关的文献。 对于”大综述“，我觉得我们在没有一点原创性的研究以前最好不要写。没有见过几棵树，谈不上去见森林。我现在有了一点点研究体会之后感觉，一个题目，你没有扎进去之前，许多体会感受都是虚的。以前国内文献搜集有困难，早期出来的一些前沿介绍当然就很有意义。现在你如果真正做研究，文献检索不应该成为很大的困难。所以做二道贩子，将人家研究的东西半懂不懂地编译一下，在真正做研究的人中间也不会有什么市场。至少我自己，我也建议大家，不去看没有原创贡献的作者写的综述文章。即使是原创文章的前沿综述，也有一些问题。前一段时间一个老师给我一些城市经济学的综述，是这个领域的很活跃的一些作者要出的手册，当时这个老师给我的时候，指着其中一章说：This strand is dying。都是最活跃的作者写的在还没有出版的手册上的文献综述，有的就已经要过时了。所以，赶风头永远是赶不上的。 对于“小综述”，这是人人都可以写，而且应该写的。如果你心中有了题目，就应该围绕这个题目去尽量搜集最新的文献，这个风头是绝对应该赶的。我个人看法是不要强求自己去理解整个国际贸易理论发展的脉络，具体题目深入下去，对整个国贸理论有时候有具体而微的全息功效，你自己有时候也会产生有一些格物致知的感受。但是，真正要去理解什么脉络，恐怕不是一下子的工夫。当然，我这里所说的前沿、深入，都是相对而言的，每个人不同的学习阶段，不同的条件和功底，会有不同的成果和收获，只要尽责做了，就是好的。
你不翻译了？？？
知网什么的吧
你是哪个专业的，可以写一篇 关于神经网络预测方面的小论文，预测与你专业相关的实例，如预测2020年的收入，预测未来几年的旅游人数等
知网什么的吧
P=[000 055 113 173 235 299 365 432 502 573; 645 719 795 872 950 029 109 190 273 356; 440 525 611 698 785 873 962 051 141 232; 323 414 506 599 692 786 880 974 069 164; 260 356 452 549 645 743 840 938 036 135; 234 333 432 532 632 732 832 933 034 136; 237 339 442 544 648 751 855 960 065 169; 274 380 486 592 699 805 913 020 128 236; 345 454 563 672 782 892 003 114 255 336; 448 560 673 786 899 012 126 240 355 470; 585 700 816 932 048 165 282 400 517 635; 754 872 991 110 229 348 467 587 707 827; 947 067 188 308 429 550 671 792 912 034; 155 397 197 519 640 761 883 004 125 247; 368 470 610 731 852 973 094 215 336 456]';T=[0 10 20 30 40 50 60 70 80 90; 100 110 120 130 140 150 160 170 180 190; 200 210 220 230 240 250 260 270 280 290; 300 310 320 330 340 350 360 370 380 390; 400 410 420 430 440 450 460 470 480 490; 500 510 520 530 540 550 560 570 580 590; 600 610 620 630 640 650 660 670 680 690; 700 710 720 730 740 750 760 770 780 790; 800 810 820 830 840 850 860 870 880 890; 900 910 920 930 940 950 960 970 980 990; 1000 1010 1020 1030 1040 1050 1060 1070 1080 1090; 1100 1110 1120 1130 1140 1150 1160 1170 1180 1190; 1200 1210 1220 1230 1240 1250 1260 1270 1280 1290; 1300 1310 1320 1330 1340 1350 1360 1370 1380 1390; 1400 1410 1420 1430 1440 1450 1460 1470 1480 1490;]'; pp=reshape(P,1,size(P,1)*size(P,2)); tt=reshape(T,1,size(T,1)*size(T,2)); pp_max=1*max(pp); pp_min=min(pp); pp=(pp-pp_min)/(pp_max-pp_min); tt_max=1*max(tt); tt_min=min(tt); tt=(tt-tt_min)/(tt_max-tt_min);net=newelm([0 1],[11,1],{'tansig','purelin'}); ainFcn='trainlm'; ainPpochs = 1000; ainPal=0; net=train(net,pp,tt); p_input=input('input any data among P\n data='); pp_input=(p_input-pp_min)/(pp_max-pp_min); t_output=sim(net,pp_input); tt_output=t_output*(tt_max-tt_min)+tt_min; fprintf('result is %f\n',tt_output);
第1章 绪论1 神经网络在石油生产中的应用简介2 神经网络的研究与发展历史3 储层预测的研究与进展4 神经网络模式识别概述5 遗传算法研究与发展概述6 模拟退火算法的研究和发展概况7 支持向量机的研究与进展8 本书的主要研究内容及章节安排第2章 人工神经网络1 引言2 神经元模型3 神经网络模型4 感知器5 误差回传神经网络(BP)6 神经网络的优点7 本章小结第3章 改进遗传算法的径向基函数网络方法研究及应用1 引言2 径向基函数网络3 遗传算法4 自适应遗传算法(AGA)基本原理5 基于改进遗传算法的径向基函数网络6 改进的遗传算法径向基函数网络的应用7 本章小结第4章 小波变换及小波神经网络方法研究及应用1 引言2 小波分析3 小波变换模极大检测地震反射界面4 小波神经网络5 小波神经网络的应用一6 本章小结第5章 模糊神经网络方法研究及应用1 引言2 模糊理论3 模糊关系和模糊逻辑推理4 模糊逻辑系统5 模糊系统和神经网络的融合6 模糊神经网络7 用于火山岩储层识别预测的模糊神经网络8 基于模糊神经网络的火山岩储层的识别与预测9 基于模糊神经网络多传感器数据融合的海底输油管道腐蚀检测系统1 0本章小结第6章 改进的模拟退火人工神经网络方法研究及应用1 引言2 模拟退火算法及其特性3 模拟退火算法的渐近收敛性4 模拟退火算法与局部搜索算法比较5 鲍威尔(P0well)算法6 改进的模拟退火人工神经网络7 改进的模拟退火人工神经网络应用8 算法比较9 本章小结第7章 支持向量机方法研究及应用1 引言2 机器学习的基本问题和方法3 统计学习理论的主要内容4 分类支持向量机5 回归支持向量机6 支持向量机的应用7 本章小结第8章 结论参考文献
第1章 绪论1 引言2 生物神经元和生物神经网络简介3 人工神经元和人工神经网络人工神经网络的基础知识。为了更好地学习人工神经网络的需要，在不同章节较多而通俗地插入介绍了生物神经系统的结构和功能特点以及人类认知心理学等方面的有用知识。对BP型前向多层网络、Hopfield网络、波尔兹曼机概率型网络、自组织特征映射网络和自适应谐（ART）网络等基本类型的人工神经网络进行了较为详细的和基础性的介绍。思考与讨论参考文献第2章 前向多层网络1 人工神经网络入门：单个神经元分类识别器2 感知机：历史和概念3 前向多层网络误差反向传递算法：BP网络4 BP网络及有教师学习的概念模型5 BP网络应用举例6 径向基函数网络思考与讨论参考文献第3章 Hopfield网络1 引言2 网络模型3 Hopfield网络的联想记忆功能4 Hopfield网络的最优化处理和计算功能思考与讨论参考文献第4章 波尔兹曼机（BM）网络简介1 概述2 波尔兹曼机的基本原理3 波尔兹曼机的实验应用举例4 波尔兹曼机小结思考与讨论参考文献第5章 自组织特征映射网络（SOFM）1 引言2 自组织特征提取的算法及其数学证明3 竞争学习和自稳定学习4 Kohonen网络：具有确定侧反馈的多神经元SOFM网络5 SOFM网络应用举例：Kohonen神经网络语音打字机思考与讨论参考文献第6章 ART网络1 引言2 ART-1网络3 ART-2网络4 ART-3网络简介5 结语思考与讨论参考文献第7章 人工神经网络的软件实践和仿真1 引言2 利用参数和函数进行网络设计和仿真示例3 MATLAB的GUI设计与分析4 人工神经网络的Simulink仿真参考文献