یک شبکه عصبی اصلاح شده کارا برای حل مسایل برنامه‌ریزی غیرخطی با محدودیت‌های هیبریدی

یک مدل شبکه عصبی کارا برای حل یک مساله بهینه سازی غیرخطی با محدودیت های هیبریدی ارایه می شود. بر مبنای شرایط بهینگی کاروشکانتاکر و مفاهیمی از آنالیز محدب و بهینه سازی، ابتدا یک مدل شبکه ارایه می شود. ثابت می شود که مدل شبکه عصبی ارایه شده پایدار لیاپانف بوده و همگرای سراسری به جواب مساله بهینه سازی اصلی می باشد. با ارایه چندین مثال عددی، کارایی مدل ارایه شده برای حل مساله بهینه سازی با محدودیت های هیبریدی نشان داده می شود.

An efficient modified neural network for solving nonlinear programming problems with hybrid constraints

This paper presents ‎‎the optimization techniques for solving‎‎ convex programming problems with hybrid constraints‎.‎ According to the saddle point theorem‎, ‎optimization theory‎, ‎convex analysis theory‎, ‎Lyapunov stability theory and LaSalle‎‎invariance principle‎,‎ a neural network model is constructed‎.‎ The equilibrium point of the proposed model is proved to be equivalent to the optimal ‎‎solution of the original problem‎. ‎It is also shown that the proposed network model is stable in the Lyapunov sense and it is globally convergent to an exact optimal solution of the original problem‎. ‎Several practical examples are provided to show the feasibility and the efficiency of the ‎method.