采用含有噪声扰动的随机Hopfield神经网络的模型解决大规模优化问题,构造该网络的能量函数,网络运行时,分析能量函数对随机Hopfield神经网络中随机神经元的初始值的影响,进而确定网络的初始值在期望(或概率)意义下的最佳位置;利用这一初值信息确定出经典Hopfield网络模型的能量函数的全局最小值点,设计出解决原优化问题能快速收敛到全局最优解的算法.本项目也考虑带有模糊数扰动的模糊Hopfield神经网络模型,设计模糊能量函数并获取相应的初值信息,进而使网络快速收敛到全局最优解,给出解决大规模优化问题的另一有效途径. 本项目为解决大规模优化问题基于不确定动态系统的递归网络的实时优化计算提出两种高效解决方法,可保证网络快速收敛到全局最优解,为神经网络的优化计算用于解决工程实际问题提供有价值的研究成果,将其应用于大规模的Flow-Shop调度问题和供需链多级库存管理决策问题,验证其先进性.