کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6863021 1439402 2018 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Neural network for nonsmooth pseudoconvex optimization with general convex constraints
ترجمه فارسی عنوان
شبکه عصبی برای بهینه سازی شبیه ساز نئوپلاستی با محدودیت های محدب عمومی
کلمات کلیدی
ترجمه چکیده
در این مقاله، یک شبکه عصبی مجرد یک لایه برای حل یک کلاس از مشکلات بهینه سازی نیمه دو طرفه با محدودیت های محدب عمومی پیشنهاد شده است. بر اساس روش صاف کردن، یک تابع تنظیم جدید ایجاد می کنیم که به هیچ اطلاعاتی از منطق ممکن بستگی ندارد. با تشکر از ساختار خاصی از عملکرد تنظیم، ما اثبات وجود جهان، منحصر به فرد و راه حل آهسته است؟ شخصیت دولت شبکه عصبی پیشنهاد شده. علاوه بر این، راه حل دولت از شبکه پیشنهادی ثابت شده است که در زمان محدود و به مجموعه راه حل بهینه ای از مشکل بهینه سازی مربوطه همگرا می شود. به طور خاص، همگرایی دولت به یک راه حل دقیق بهینه در این مقاله نیز مورد توجه قرار گرفته است. نمونه های عددی با نتایج شبیه سازی شده برای نشان دادن کارایی و ویژگی های خوب شبکه پیشنهاد شده است. علاوه بر این، برخی از تجزیه و تحلیل های نظری اولیه و کاربرد شبکه پیشنهادی برای یک کلاس گسترده تر بهینه سازی نمونه کارها شامل گنجانده شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
شبکه عصبی برای بهینه سازی شبیه ساز نئوپلاستی با محدودیت های محدب عمومی
چکیده انگلیسی
In this paper, a one-layer recurrent neural network is proposed for solving a class of nonsmooth, pseudoconvex optimization problems with general convex constraints. Based on the smoothing method, we construct a new regularization function, which does not depend on any information of the feasible region. Thanks to the special structure of the regularization function, we prove the global existence, uniqueness and “slow solution” character of the state of the proposed neural network. Moreover, the state solution of the proposed network is proved to be convergent to the feasible region in finite time and to the optimal solution set of the related optimization problem subsequently. In particular, the convergence of the state to an exact optimal solution is also considered in this paper. Numerical examples with simulation results are given to show the efficiency and good characteristics of the proposed network. In addition, some preliminary theoretical analysis and application of the proposed network for a wider class of dynamic portfolio optimization are included.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neural Networks - Volume 101, May 2018, Pages 1-14
نویسندگان
, , , ,