کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4947854 1439592 2017 18 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A projection type steepest descent neural network for solving a class of nonsmooth optimization problems
ترجمه فارسی عنوان
یک نوع پروجکشن شبکه عصبی تدریجی برای حل یک کلاس از مشکلات بهینه سازی غیرمستقیم
کلمات کلیدی
شبکه عصبی مکرر، بهینه سازی غیرمستقیم، همگرایی جهانی، ثبات، گنجاندن دیفرانسیل، راه حل راه .،
ترجمه چکیده
در این مقاله، یک شبکه عصبی مجرد جدید یک لایه برای حل مشکلات بهینه سازی غیرمستقیم با نابرابری غیر خطی و محدودیت های خطای خطی پیشنهاد شده است. مدل براساس یک گنجینه دیفرانسیل است و به طور همزمان روشهای ترسیم تدریجی و شیب را ترکیب می کند. هر راه حل راه حل ورودی دیفرانسیل معرفی شده در سطح جهانی به مجموعه راه حل بهینه از مشکل بهینه سازی مربوطه همگرا می شود. در مقایسه با مدل های موجود برای حل مسائل بهینه سازی ناهموار، هیچ پارامتر جریمه ای در ساختار مدل جدید وجود ندارد و مدل دارای ساختار ساده است. علاوه بر این، راه حل بهینه از مشکل بهینه سازی اصلی معادل با نقطه تعادل شبکه پیشنهاد شده عصبی است. برخی از مثال های مثال آورده شده برای نشان دادن اثربخشی و عملکرد شبکه عصبی پیشنهاد شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
In this paper, a new one layer recurrent neural network is proposed to solve nonsmooth optimization problems with nonlinear inequality and linear equality constraints. Model is based on a differential inclusion and combines steepest descent and gradient projection methods simultaneously. Any solution trajectory of the introduced differential inclusion converges globally to the optimal solution set of the corresponding optimization problem. Comparing with the existing models for solving nonsmooth optimization problems, there does not exist any penalty parameter in the structure of the new model and the model has simple structure. Moreover, the optimal solution of the original optimization problem is equivalent to the equilibrium point of the proposed neural network. Some illustrative examples are presented to show the effectiveness and performance of the proposed neural network.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 235, 26 April 2017, Pages 164-181
نویسندگان
, , ,