حل برخی از مسائل بهینه سازی ناهموار به کمک یک شبکه عصبی بازگشتی تک لایه غیرجریم های

مسائل بهینه سازی مقید در بخش وسیعی از کاربردهای علوم، مهندسی و اقتصاد ظاهر می شوند. در این مقاله یک شبکه عصبی بازگشتی تک لایه غیر جریم های برای حل دست های از مسائل بهینه سازی مقید ناهموار پیشنهاد شده است. مدل پیشنهادی مبتنی بر شمول دیفرانسیلی بوده، تابع هدف محدب و قیود مساله نامساوی های غیرخطی و خطی آفین هستند. در مقایسه با مدل های موجود هیچ پارامتر جریم های یا تابع جریمه در ساختار مدل پیشنهادی وجود نداشته و مدل از پیچیدگی کمتری برخوردار است. معادل بودن مجموعه جواب های بهینه مساله بهینه سازی اصلی و مجموعه نقاط تعادلی مدل شبکه عصبی پیشنهادی اثبات گردیده است. به علاوه همگرایی سراسری و پایداری شبکه عصبی پیشنهادی نشان داده شده اند. مهمترین مزیت های مدل پیشنهادی در مقایسه با بیشتر شبکه های عصبی موجود برای حل مسائل بهینه سازی ذکر شده عبارتند از عدم وجود پارامتر یا تابع جریمه در ساختار مدل و پیاده سازی آسان تر مدل پیشنهادی. به منظور روشن ساختن کارایی و اثربخشی مدل ارائه شده تعدادی مثال و مساله مینیمم سازی نرم L1 بیان و حل شده است.

کلیدواژه ها:

بهینه سازی محدب ناهموار ، معادله خطی ، نامساوی غیرخطی ، شبکه عصبی بازگشتی