王 娜，陈贤富

(中国科学技术大学 信息科学技术学院，安徽 合肥 230027)

0 引言

人类认知具有层次性[1]，这种层次结构性大大简化了问题求解的复杂性，提高了认知的敏捷性与智能性。基于层次性认知以及非监督学习等技术发展，深度学习技术近年来在数据挖掘、自然语言处理、视音频智能信息处理等智能认知领域取得重要突破，迅速成为IT技术前沿研究热点。

从计算机理看，机器学习可看成特征参量关系模型的拟合与优化过程，优化与学习的机制机理是相通的，联想、优化本质上也是一种学习。为此，本文将深度学习Dropout等技术与模拟退火算法相结合，提出一种变参数深度玻尔兹曼计算模型，并主要针对复杂TSP优化问题开展了具体算法研究与实验研究。

TSP问题是典型NP_Hard型问题，其可行解空间规模为n!/2。鉴于TSP问题的组合爆炸性质，除极小规模TSP问题外，一般情形只能采用启发式智能算法进行搜索优化求解。流行实用的TSP全局优化算法主要有模拟生物演化、模拟热处理退火及各种混合型算法。其中，模拟生物演化型算法又可分为基因重组型(遗传算法、进化策略等)与集群智能型(蚁群算法[4]、鸟群算法、鱼群算法等)两大类，在求解TSP问题中主要存在基因型重组与表现型评估矛盾、空间复杂度较高、遗传支配、早熟收敛、有序问题的遗传操作设计、局部搜索与全局优化矛盾等问题。为解决粗粒度全局搜索与细粒度局部优化之间的矛盾，分层混合算法结构虽已成为一种流行的改进思路，但有序问题编码设计及其遗传操作问题、空间复杂度较高、遗传支配个体垄断群体更新策略等原因导致的早熟收敛等问题仍然存在，规模效应问题依然突出。……