人工神經(jīng)網(wǎng)絡(luò)構(gòu)成以及其實(shí)際應(yīng)用

1、人工神經(jīng)網(wǎng)絡(luò)構(gòu)成以及其實(shí)際神經(jīng)網(wǎng)絡(luò)（neural networks，NN） 生物神經(jīng)網(wǎng)絡(luò)( natural neural network, NNN): 由中樞神經(jīng)系統(tǒng)（腦和脊髓）及周?chē)窠?jīng)系統(tǒng)（感覺(jué)神經(jīng)、運(yùn)動(dòng)神經(jīng)等）所構(gòu)成的錯(cuò)綜復(fù)雜的神經(jīng)網(wǎng)絡(luò)，其中最重要的是腦神經(jīng)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks, ANN): 模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能，運(yùn)用大量簡(jiǎn)單處理單元經(jīng)廣泛連接而組成的人工網(wǎng)絡(luò)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)方法： 隱式的知識(shí)表示方法2第2章 人工神經(jīng)網(wǎng)絡(luò)及其應(yīng)用2.1 神經(jīng)元與神經(jīng)網(wǎng)絡(luò) 2.2 BP神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)算法 2.3 BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用 2.4 Hop

2、field神經(jīng)網(wǎng)絡(luò)及其改進(jìn) 2.5 Hopfield神經(jīng)網(wǎng)絡(luò)的應(yīng)用2.6 Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化方法求解JSP 3第2章 人工神經(jīng)網(wǎng)絡(luò)及其應(yīng)用2.1 神經(jīng)元與神經(jīng)網(wǎng)絡(luò) 2.2 BP神經(jīng)網(wǎng)絡(luò)及其學(xué)習(xí)算法 2.3 BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用2.4 Hopfield神經(jīng)網(wǎng)絡(luò)及其改進(jìn)2.5 Hopfield神經(jīng)網(wǎng)絡(luò)的應(yīng)用2.6 Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化方法求解JSP42.1 神經(jīng)元與神經(jīng)網(wǎng)絡(luò)2.1.1 生物神經(jīng)元的結(jié)構(gòu)2.1.2 神經(jīng)元數(shù)學(xué)模型2.1.3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與工作方式52.1.1 生物神經(jīng)元的結(jié)構(gòu)人腦由一千多億（1011億 1014 億）個(gè)神經(jīng)細(xì)胞（神經(jīng)元）交織在一起的網(wǎng)狀結(jié)構(gòu)組成，其中大

3、腦皮層約140億個(gè)神經(jīng)元，小腦皮層約1000億個(gè)神經(jīng)元。 神經(jīng)元約有1000種類(lèi)型，每個(gè)神經(jīng)元大約與103 104個(gè)其他神經(jīng)元相連接，形成極為錯(cuò)綜復(fù)雜而又靈活多變的神經(jīng)網(wǎng)絡(luò)。 人的智能行為就是由如此高度復(fù)雜的組織產(chǎn)生的。浩瀚的宇宙中，也許只有包含數(shù)千憶顆星球的銀河系的復(fù)雜性能夠與大腦相比。62.1.1 生物神經(jīng)元的結(jié)構(gòu)（輸入）（輸出） 神經(jīng)沖動(dòng)生物神經(jīng)元結(jié)構(gòu)神經(jīng)沖動(dòng)只能由前一級(jí)神經(jīng)元的軸突末梢傳向下一級(jí)神經(jīng)元的樹(shù)突或細(xì)胞體，不能進(jìn)行反方向的傳遞72.1.1 生物神經(jīng)元的結(jié)構(gòu) 神經(jīng)元具有兩種常規(guī)工作狀態(tài)：興奮與抑制狀態(tài)，即滿足0-1律。 當(dāng)傳入的神經(jīng)沖動(dòng)使細(xì)胞膜電位升高閾值時(shí)，細(xì)胞進(jìn)入興奮狀態(tài)，

4、產(chǎn)生神經(jīng)沖動(dòng)并由軸突輸出；當(dāng)傳入的沖動(dòng)使膜電位下降低于閾值時(shí)，細(xì)胞進(jìn)入抑制狀態(tài)，沒(méi)有神經(jīng)沖動(dòng)輸出。 工作狀態(tài)： 興奮狀態(tài)：細(xì)胞膜電位 動(dòng)作電位的閾值 神經(jīng)沖動(dòng) 抑制狀態(tài)：細(xì)胞膜電位 0, wij = wji , 則 ；當(dāng)且僅當(dāng) 752.4.3 隨機(jī)神經(jīng)網(wǎng)絡(luò)Hopfield神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元狀態(tài)為1是根據(jù)其輸入是否大于閾值確定的，是確定性的。隨機(jī)神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元狀態(tài)為1是隨機(jī)的，服從一定的概率分布。例如，服從玻爾茲曼(Boltzmann)、高斯(Gaussian)、柯西(Cauchy)分布等，從而構(gòu)成玻爾茲曼機(jī)、高斯機(jī)、柯西機(jī)等隨機(jī)機(jī)。762.4.3 隨機(jī)神經(jīng)網(wǎng)絡(luò)1. Boltzmann機(jī) 1

5、985年，加拿大多倫多大學(xué)教授欣頓(Hinton)等人借助統(tǒng)計(jì)物理學(xué)的概念和方法，提出了Boltzmann機(jī)神經(jīng)網(wǎng)絡(luò)模型。 Boltzmann機(jī)是離散Hopfield神經(jīng)網(wǎng)絡(luò)的一種變型，通過(guò)對(duì)離散Hopfield神經(jīng)網(wǎng)絡(luò)加以擾動(dòng)，使其以概率的形式表達(dá)，而網(wǎng)絡(luò)的模型方程不變，只是輸出值類(lèi)似于Boltzmann分布以概率分布取值。 Boltzmann機(jī)是按Boltzmann概率分布動(dòng)作的神經(jīng)網(wǎng)絡(luò)。772.4.3 隨機(jī)神經(jīng)網(wǎng)絡(luò)1. Boltzmann機(jī) （續(xù)） 離散Hopfield神經(jīng)網(wǎng)絡(luò)的輸出： Boltzman機(jī)的內(nèi)部狀態(tài)： 神經(jīng)元 輸出值為0和1時(shí)的概率：782.4.3 隨機(jī)神經(jīng)網(wǎng)絡(luò)1. Bo

6、ltzmann機(jī) （續(xù)） Boltzmann的能量函數(shù)： 神經(jīng)元 狀態(tài)轉(zhuǎn)換時(shí)網(wǎng)絡(luò)能量的變化： 神經(jīng)元 改變?yōu)闋顟B(tài)“1”的概率： )exp(11TEpiiD-+=79 2. 高斯機(jī) 2.4.3 隨機(jī)神經(jīng)網(wǎng)絡(luò) :均值為0的高斯隨機(jī)變量（白噪聲） ，其方差為 3. 柯西機(jī) : 柯西隨機(jī)變量（有色噪聲） 802.4.4 混沌神經(jīng)網(wǎng)絡(luò)1. 混沌 混沌：自然界中一種較為普遍的非線性現(xiàn)象，其行 為看似混亂復(fù)雜且類(lèi)似隨機(jī)，卻存在精致的內(nèi)在規(guī) 律性。 混沌的性質(zhì) ：（1）隨機(jī)性：類(lèi)似隨機(jī)變量的雜亂表現(xiàn)。（2）遍歷性：不重復(fù)地歷經(jīng)一定范圍內(nèi)的所有狀態(tài)。（3）規(guī)律性：由確定性的迭代式產(chǎn)生。 811. 混沌 （續(xù)）混

7、沌學(xué)的研究熱潮開(kāi)始于20世紀(jì)70年代初期。1963年，Lorenz在分析氣候數(shù)據(jù)時(shí)發(fā)現(xiàn)：初值十分接近的兩條曲線的最終結(jié)果會(huì)相差很大，從而獲得了混沌的第一個(gè)例子。1975年，Li-Yorke的論文周期3意味著混沌使“混沌”一詞首先出現(xiàn)在科技文獻(xiàn)中。混沌的發(fā)現(xiàn)，對(duì)科學(xué)的發(fā)展具有深遠(yuǎn)的影響。 2.4.4 混沌神經(jīng)網(wǎng)絡(luò)822.4.4 混沌神經(jīng)網(wǎng)絡(luò)2. 混沌神經(jīng)元 混沌神經(jīng)元（1987年，F(xiàn)reeman）：構(gòu)造混沌神經(jīng)網(wǎng)絡(luò)的基本單位。 混沌神經(jīng)元模型：832.4.4 混沌神經(jīng)網(wǎng)絡(luò)3. 混沌神經(jīng)網(wǎng)絡(luò) 1990年，Aihara等提出了第一個(gè)混沌神經(jīng)網(wǎng)絡(luò)模型(chaotic neural network，CN

8、N)。 1991年，Inoue等利用兩個(gè)混沌振蕩子耦合成一個(gè)神經(jīng)元的方法，構(gòu)造出一個(gè)混沌神經(jīng)計(jì)算機(jī). 1992年，Nozawa基于歐拉離散化的Hopfield神經(jīng)網(wǎng)絡(luò)，通過(guò)增加一個(gè)大的自反饋?lái)?xiàng)，得到了一個(gè)與Aihara等提出的類(lèi)似的CNN模型。 842.4.4 混沌神經(jīng)網(wǎng)絡(luò) 3. 混沌神經(jīng)網(wǎng)絡(luò)（1）基于模擬退火策略的自抑制混沌神經(jīng)網(wǎng)絡(luò) 1995年，Chen等提出的暫態(tài)混沌神經(jīng)網(wǎng)絡(luò)(transient chaotic neural network，TCNN) ：852.4.4 混沌神經(jīng)網(wǎng)絡(luò) 3. 混沌神經(jīng)網(wǎng)絡(luò)（1）基于模擬退火策略的自抑制混沌神經(jīng)網(wǎng)絡(luò) 具有暫態(tài)混沌特性。 能演化到一個(gè)穩(wěn)定狀態(tài)。

9、搜索區(qū)域?yàn)橐环中谓Y(jié)構(gòu)。 具有混沌退火機(jī)制。 一種廣義的混沌神經(jīng)網(wǎng)絡(luò)。 可求解0-1問(wèn)題，也可求解連續(xù)非線性優(yōu)化問(wèn)題。862.4.4 混沌神經(jīng)網(wǎng)絡(luò)非線性函數(shù)： 872.4.4 混沌神經(jīng)網(wǎng)絡(luò) 3. 混沌神經(jīng)網(wǎng)絡(luò)（2）基于加大時(shí)間步長(zhǎng)的混沌神經(jīng)網(wǎng)絡(luò) CHNN的歐拉離散化： 1998年，Wang和Smith采用加大時(shí)間步長(zhǎng)產(chǎn)生混沌：882.4.4 混沌神經(jīng)網(wǎng)絡(luò) 3. 混沌神經(jīng)網(wǎng)絡(luò)（3）引入噪聲的混沌神經(jīng)網(wǎng)絡(luò) 1995年，Hayakawa等的混沌神經(jīng)網(wǎng)絡(luò)：892.5 Hopfield神經(jīng)網(wǎng)絡(luò)的應(yīng)用8.5.1 Hopfield神經(jīng)網(wǎng)絡(luò)在聯(lián)想記憶中的應(yīng)用8.5.2 Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化方法90如何實(shí)

10、現(xiàn)HNN的聯(lián)想記憶功能? 網(wǎng)絡(luò)能夠通過(guò)聯(lián)想來(lái)輸出和輸入模式最為相似的樣本模式。2.5.1 Hopfield神經(jīng)網(wǎng)絡(luò)在聯(lián)想記憶中的應(yīng)用91例 傳感器輸出：外形，質(zhì)地，重量T 2.5.1 Hopfield神經(jīng)網(wǎng)絡(luò)在聯(lián)想記憶中的應(yīng)用92 樣本:例 步驟： （1）設(shè)計(jì)DHNN結(jié)構(gòu)（2）設(shè)計(jì)連接權(quán)矩陣（3）測(cè)試具體怎樣實(shí)現(xiàn)聯(lián)想記憶？2.5.1 Hopfield神經(jīng)網(wǎng)絡(luò)在聯(lián)想記憶中的應(yīng)用93 樣本: （1）設(shè)計(jì)DHNN結(jié)構(gòu)3神經(jīng)元的DHNN結(jié)構(gòu)圖注：2.5.1 Hopfield神經(jīng)網(wǎng)絡(luò)在聯(lián)想記憶中的應(yīng)用94（ 2）設(shè)計(jì)連接權(quán)矩陣 樣本: ， 連接權(quán)：8.5.1 Hopfield神經(jīng)網(wǎng)絡(luò)在聯(lián)想記憶中的應(yīng)用9

11、5 （2）設(shè)計(jì)連接權(quán)矩陣 樣本: ， 連接權(quán)：T01,0,)2(=x8.5.1 Hopfield神經(jīng)網(wǎng)絡(luò)在聯(lián)想記憶中的應(yīng)用96 （2）設(shè)計(jì)連接權(quán)矩陣8.5.1 Hopfield神經(jīng)網(wǎng)絡(luò)在聯(lián)想記憶中的應(yīng)用97 輸入：1，1，1T 輸出 ? （3）測(cè)試8.5.1 Hopfield神經(jīng)網(wǎng)絡(luò)在聯(lián)想記憶中的應(yīng)用98 （3）測(cè)試 調(diào)整次序： 初始狀態(tài)： 測(cè)試用例： 樣本：8.5.1 Hopfield神經(jīng)網(wǎng)絡(luò)在聯(lián)想記憶中的應(yīng)用99 調(diào)整次序： 213k = 08.5.1 Hopfield神經(jīng)網(wǎng)絡(luò)在聯(lián)想記憶中的應(yīng)用100k = 1 調(diào)整次序： 2138.5.1 Hopfield神經(jīng)網(wǎng)絡(luò)在聯(lián)想記憶中的應(yīng)用101

12、k = 2 調(diào)整次序： 2138.5.1 Hopfield神經(jīng)網(wǎng)絡(luò)在聯(lián)想記憶中的應(yīng)用102k = 2k = 3k = 0k = 1 樣本： 調(diào)整次序：2 1 32 1 32 1 32 1 38.5.1 Hopfield神經(jīng)網(wǎng)絡(luò)在聯(lián)想記憶中的應(yīng)用103 例 輸入：1，1 ，1T 輸出：1，0 ，1T 8.5.1 Hopfield神經(jīng)網(wǎng)絡(luò)在聯(lián)想記憶中的應(yīng)用1048.5.2 Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化方法 連續(xù)Hopfiled神經(jīng)網(wǎng)絡(luò)求解約束優(yōu)化問(wèn)題的基本思路： 1985年，霍普菲爾德和塔克（D. W. Tank）應(yīng)用連續(xù)Hopfield 神經(jīng)網(wǎng)絡(luò)求解旅行商問(wèn)題（traveling salesma

13、n problem，TSP）獲得成功。1058.5.2 Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化方法 用神經(jīng)網(wǎng)絡(luò)方法求解優(yōu)化問(wèn)題的一般步驟：（1）將優(yōu)化問(wèn)題的每一個(gè)可行解用換位矩陣表示。（2）將換位矩陣與由 n 個(gè)神經(jīng)元構(gòu)成的神經(jīng)網(wǎng)絡(luò)相對(duì)應(yīng)：每一個(gè)可行解的換位矩陣的各元素與相應(yīng)的神經(jīng)元穩(wěn)態(tài)輸出相對(duì)應(yīng)。（3）構(gòu)造能量函數(shù)，使其最小值對(duì)應(yīng)于優(yōu)化問(wèn)題的最優(yōu)解，并滿足約束條件。（4）用罰函數(shù)法構(gòu)造目標(biāo)函數(shù)，與Hopfield神經(jīng)網(wǎng)絡(luò)的計(jì)算能量函數(shù)表達(dá)式相等，確定各連接權(quán)和偏置參數(shù)。（5）給定網(wǎng)絡(luò)初始狀態(tài)和網(wǎng)絡(luò)參數(shù)等，使網(wǎng)絡(luò)按動(dòng)態(tài)方程運(yùn)行，直到穩(wěn)定狀態(tài)，并將它解釋為優(yōu)化問(wèn)題的解。106 應(yīng)用舉例： Hopfield

14、神經(jīng)網(wǎng)絡(luò)優(yōu)化方法求解TSP。 1985年，霍普菲爾德和塔克（D. W. Tank）應(yīng)用連續(xù)Hopfield 神經(jīng)網(wǎng)絡(luò)求解旅行商問(wèn)題獲得成功。 旅行商問(wèn)題（traveling salesman problem，TSP） ：有 n 個(gè)城市，城市間的距離或旅行成本已知，求合理的路線使每個(gè)城市都訪問(wèn)一次，且總路徑（或者總成本）為最短。8.5.2 Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化方法107 應(yīng)用舉例：Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化方法求解TSP 旅行商問(wèn)題（TSP）：典型的組合優(yōu)化問(wèn)題 n 個(gè)城市存在的路徑數(shù)： 用窮舉法，Cray 計(jì)算機(jī)的計(jì)算速度：108次/秒。 1985年，Hopfield 和Tank 用

15、Hopfield網(wǎng)絡(luò)求解 n30 的TSP問(wèn)題，0.2 s 就得到次優(yōu)解。 8.5.2 Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化方法108 5個(gè)城市的TSP：神經(jīng)元數(shù)目：258.5.2 Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化方法109 TSP的描述： 用罰函數(shù)法，寫(xiě)出優(yōu)化問(wèn)題的目標(biāo)函數(shù)：8.5.2 Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化方法110 Hopfield神經(jīng)網(wǎng)絡(luò)能量函數(shù)：8.5.2 Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化方法 令E1 與目標(biāo)函數(shù)J相等，確定神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和偏置電流：111神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)方程：8.5.2 Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化方法112 選擇合適的A、B、C、D和網(wǎng)絡(luò)的初始狀態(tài)，按網(wǎng)絡(luò)動(dòng)態(tài)方程演化直到

16、收斂。8.5.2 Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化方法1138.5.2 Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化方法 神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算目前存在的問(wèn)題：（1）解的不穩(wěn)定性。（2）參數(shù)難以確定。（3）能量函數(shù)存在大量局部極小值，難以保證最優(yōu) 解。1148.6 Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化方法求解JSP8.6.1 作業(yè)車(chē)間調(diào)度問(wèn)題8.6.2 JSP的Hopfield神經(jīng)網(wǎng)絡(luò)及其求解8.6.3 作業(yè)車(chē)間生產(chǎn)調(diào)度舉例8.6.4 基于隨機(jī)神經(jīng)網(wǎng)絡(luò)的生產(chǎn)調(diào)度方法1158.6.1 作業(yè)車(chē)間調(diào)度問(wèn)題 作業(yè)車(chē)間調(diào)度問(wèn)題（job-shop scheduling Problem，JSP）: 一類(lèi)滿足任務(wù)配置和順序約束要求的資源分配問(wèn)

17、題。 問(wèn)題描述：給定一個(gè)作業(yè)（工件）的集合和一個(gè)機(jī)器的集合，每個(gè)作業(yè)包括多道工序，每道工序需要在一臺(tái)給定的機(jī)器上非間斷地加工一段時(shí)間；每臺(tái)機(jī)器一次最多只能加工一道工序，調(diào)度就是把工序分配給機(jī)器上某個(gè)時(shí)間段，使加工完成時(shí)間最短。116 Foo S. Y.和Y. Takefuji在1988年最早提出用Hopfield神經(jīng)網(wǎng)絡(luò)求解JSP。8.6.1 作業(yè)車(chē)間調(diào)度問(wèn)題 對(duì)于單臺(tái)機(jī)器加工問(wèn)題，如果有 個(gè)作業(yè)而每個(gè)作業(yè)只考慮加工時(shí)間以及與操作序列有關(guān)的安裝時(shí)間，則這個(gè)問(wèn)題就和 個(gè)城市的TSP等價(jià)。 Conway 等（1967），生產(chǎn)調(diào)度理論：“一般作業(yè)車(chē)間調(diào)度問(wèn)題是一個(gè)迷人的挑戰(zhàn)性問(wèn)題。盡管問(wèn)題本身描述非

18、常容易，但是朝著問(wèn)題求解的方向作任何的推進(jìn)都是極端困難的”。 1171. JSP的換位矩陣表示 01,1,11,2,22,2,12,1,21,1,1100001,2,2000012,2,1001002,1,2100002作業(yè) 2機(jī)器 JSP8.6.2 JSP的Hopfield神經(jīng)網(wǎng)絡(luò)及其求解“工序(2,2,1)依賴于另一工序(1,2,2)”的命題成立 。(1,2,2)：作業(yè) 1 的工序 2 在機(jī)器 2 上執(zhí)行 ?！肮ば?不依賴于任何別的工序”的命題。 1188.6.2 JSP的Hopfield神經(jīng)網(wǎng)絡(luò)及其求解 作業(yè) 機(jī)器JSP的工序約束條件：（1）各工序應(yīng)服從優(yōu)先順序關(guān)系。任一工序可以依賴于另

19、一個(gè)工序，也可以不依賴于任何工序（如在0時(shí)刻啟動(dòng)的工序）。（2） 所有工序不允許自依賴和互依賴。（3）允許在0時(shí)刻啟動(dòng)的工序數(shù)不超過(guò) 。即在 時(shí)，在0時(shí)刻啟動(dòng)的工序數(shù)應(yīng)為 。（4）在同一時(shí)刻啟動(dòng)的同一作業(yè)的工序不多于一個(gè)。（5 ）在同一時(shí)刻同一機(jī)器上啟動(dòng)的工序不多于一個(gè)。 1198.6.2 JSP的Hopfield神經(jīng)網(wǎng)絡(luò)及其求解 2. JSP計(jì)算能量函數(shù) : 與矩陣中 位置相對(duì)應(yīng)的神經(jīng)元的輸出狀態(tài)。 行約束 全局約束 非對(duì)稱(chēng)約束 列約束 1208.6.2 JSP的Hopfield神經(jīng)網(wǎng)絡(luò)及其求解3. Hopfield 神經(jīng)網(wǎng)絡(luò)的參數(shù)連續(xù)型 Hopfield 神經(jīng)網(wǎng)絡(luò)的計(jì)算能量函數(shù): 神經(jīng)元

20、與神經(jīng)元 之間的連接權(quán) 神經(jīng)元 的偏置電流 : 1218.6.2 JSP的Hopfield神經(jīng)網(wǎng)絡(luò)及其求解4. Hopfield神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)方程1228.6.2 JSP的Hopfield神經(jīng)網(wǎng)絡(luò)及其求解 5. 成本樹(shù) step1 ：根據(jù)換位矩陣，構(gòu)造成本樹(shù)。 step2： 計(jì)算成本樹(shù)上各操作 的開(kāi)始時(shí)間 和結(jié)束 時(shí)間 。 step3 ：判斷是否出現(xiàn)死鎖調(diào)度。 step4 ：調(diào)整死鎖調(diào)度。1238.6.2 JSP的Hopfield神經(jīng)網(wǎng)絡(luò)及其求解6. 甘特圖step1：根據(jù)換位矩陣，計(jì)算成本樹(shù)上各操作的開(kāi)始時(shí)間和結(jié)束時(shí)間，并給出相應(yīng)的甘特圖。step2：判斷甘特圖中每臺(tái)機(jī)器上各作業(yè)的開(kāi)始時(shí)間是否發(fā)生重疊。step 3：判斷同一作業(yè)的各操作的開(kāi)始時(shí)間是否發(fā)生重疊。step4：重復(fù)step2 和step3，直至甘特圖中同一機(jī)器上各作業(yè)的開(kāi)始時(shí)間和同一作業(yè)的各操作的開(kāi)始時(shí)間都不發(fā)生重疊為止。1248.6.3 作業(yè)車(chē)間生產(chǎn)調(diào)度舉例2作業(yè)3機(jī)器的