它是线性化近似的一种合理选择。图1给出软限幅函数及双曲正切函Uo取0．02时的曲线图。对于每种情况，从起始条件出发模拟运行200次，每次模拟在达到下列两条件之一时终止运行：(1)网络中的每个神经元均在[0．9，1]或[0，0．1]之间取值，分别对应神经元的“激活”(取值落在[0．9，1]中)或“抑制”状态(取值落在[0，0．1]中)，并且矩阵的每行每列恰有一个非零元素；(2)运行迭代次数大于10 000次。注意，没有以dE／dt=0判别迭代结束。因为满足dE／dt=0的点不一定是E的极小点或最小点，也可能是拐点。其次，即使是E的极小点，继续迭代有可能跳出这个极小点。取A=B=8，A1=7．75，D=2，步长δt=0．02，测试结果如表1和图1所示。由测试结果可知，软限幅的效果明显优于硬限幅，因为软限幅与线性化近似极为相似，但所需的收敛次数较多。
    研究表明，在S型函数UO=2情况下，网络给不出任何有效的解答。因为网络中的神经元无法收敛于其稳态(“激活”或“抑制”)。

3．2 改进算法2
    Aiyer通过TSP网络的动态分析修正TSP的连接矩阵，从而获得有效解，但其表达式过于复杂，影响优化效果。简化该能量函数：