人工神经网络是从人脑的生理结构出发来研究人的智能行为,具有模拟人脑信息处理的功能。近来人们发现混沌理论可以用来理解人脑中某些不规则的活动,因此混沌神经网络的研究成为人们研究的又一新课题。小波和混沌神经网络的成功结合使混沌神经网络有了进一步的发展。小波混沌神经网络已经被证明是解决优化问题的有效工具。迄今为止,人们已经提出了多种小波混沌神经网络模型。然而目前大多数都是对激励函数和自反馈系数等的改进,而对内部状态进行改进的研究国内还没有出现。本文即在小波混沌神经网络的基础上对内部状态进行了改进。人们对人工神经网络有兴趣的原因,归根结底还是希望能看到神经网络的硬件实现,即构造神经计算机。在研究神经网络软件模拟和实现硬件时,由于元器件的不稳定性,势必会产生干扰或是噪声。而出现的这微小扰动又会对混沌神经网络模型产生影响。那么此时带有扰动的混沌神经网络模型是否还能有效地解决优化问题成为本文主要研究的问题。本文的主要贡献可以概括为以下几点:1.针对混沌神经网络的内部状态进行改进,分别引入三角函数扰动和小波函数扰动,提出了两种新型的带扰动的混沌神经网络模型。2.针对带三角函数扰动的Chen’s混沌神经网络模型,给出了模型的能量函数和其稳定性的理论证明,从而验证了网络模型的可行性。3.将带三角函数扰动和带小波函数扰动的混沌神经网络模型分别应用在求解连续函数优化问题和TSP问题上,分析了不同扰动系数对混沌神经网络求解TSP问题的影响。4.仿真试验表明,在控制适当的扰动系数时,带扰动的混沌神经网络能有效地求得TSP问题的合法解和最优解,体现了混沌神经网络有很强的鲁棒性和抗干扰能力。