基于复数神经网络求解的拟凸优化问题

针对神经网络应用于解决线性和非线性约束下的复数优化问题,提出了一种简化的复数神经网络解决非线性规划下的拟凸优化问题;通过定义辅助函数将复数域上的拟凸优化问题转化为实数域上的优化问题,推导出相应的神经网络模型,并建立李雅普诺夫函数证明该神经网络平衡解的稳定性与收敛性;得出对任意的初始点,该神经网络是李雅普诺夫全局稳定的而且收敛于优化问题的最优解;通过数值算例验证了此研究方法的有效性以及结论的正确性。     

一种求解变量有界非线性规划的全局最优解新方法

提出了一种求解变量有界非线性规划的全局最优解新方法——不可行域移除(IRIR)法.在优化过程中,先计算原最优化问题的不可行域,然后在原最优化问题的求解空间中移除确定的不可行域,使得新的求解空间不断缩小,并通过研究不可行域的线性表达,在不影响最优解的前提下将非线性约束转化为线性约束,以求解非线性规划问题,其特点是所得最优解对原最优化问题约束函数的凸性和优化迭代起始点的位置不敏感.同时,阐述了IRIR法的原理和实现过程,在序列二次规划(SQP)算法的基础上,应用数值算例和弹簧设计2个典型实例,以验证IRIR法的可行性和正确性.结果表明:IRIR法可以有效降低原最优化问题的求解难度,且无需引入新参数,是一种具有较高求解能力和实用价值的全局最优化方法,但其不适用于求解设计变量无界的最优化问题.     

约束优化问题的内点正则牛顿法

研究了求解具有不等式约束最优化问题的内点正则Newton法.其基本思想是把求解约束优化问题的内点法和求解无约束优化问题的正则Newton法结合起来,建立起求解具有不等式约束最优化问题的内点正则Newton法.对于具有有界最优解集的凸约束最优化问题,任取一可行解作为初始点,内点正则Newton法所产生的点列均收敛到最优解...     

神经网络求解一类稀疏优化问题

利用近年来应用比较广泛的神经网络算法求解了一类在信号还原中具有广泛应用的非Lipschitz约束优化问题.以非光滑分析与最优化理论为基础,发展和推广非Lipschitz稀疏优化问题的基础理论研究及其与图像还原问题的联系,利用光滑化技术以及投影方法构造了一类优化问题的神经网络,由此证明了所构造的神经网络的解是全局存在且一致有界的.还给出了优化模型的稳定点的定义,并证明了所构造的神经网络解轨线的聚点均为稳定点.利用Matlab软件,进行了数值模拟,并验证了所提出的神经网络算法的性能.     

不定二次规划的全局优化算法

对不定二次规划问题提出了一个新的确定型全局优化算法,通过对目标函数和约束函数的线性下界估计,建立了不定二次规划的松弛线性规划.通过对松弛线性规划可行域的细分,以及一系列松弛线性规划的求解过程,并通过实例证明了算法能收敛到原问题的全局最优解.     

解水平线性互补问题的一个基于梯度的神经网络

给出了求解水平线性互补问题的一个基于梯度的神经网络.基本思想是先将该问题转化为等价的无约束优化问题,然后基于梯度法构造神经网络模型,分析了模型的平衡点与原问题解的关系,然后运用Lyapunov稳定性理论和LaSalle不变集原理,严格证明该网络全局收敛于它的平衡点集.数值模拟表明网络不仅可行而且有效.     

基于反凸规划的两层线性规划问题全局最优解算法

利用两层线性规划的全局最优解可在其约束域的极点上达到这一性质,通过对问题可行解集合的结构进行探讨,将两层线性规划转化为带有反凸约束的线性规划,建立了一个新的全局解算法,证明了算法能收敛到问题的全局解,并通过一个算例说明了算法的求解过程．     

一类优化问题的确定性算法

对广泛应用于工程设计中的一类线性比式和问题(P)提出了一确定性全局优化算法,利用等价问题和新的线性化技术给出了问题(P)的松弛线性规划(RLP,)通过对(RLP)可行域的细分以及一系列(RLP)的求解过程,提出分枝定界算法收敛到问题(P)的全局最优解,最终数值实验表明所提方法的可行性.     

一种基于遗传算法和LM算法的混合学习算法

针对遗传算法与神经网络结合方式中存在的早熟收敛、泛化能力弱等问题, 提出一种交替使用遗传算法和Levenberg Marquardt算法优化神经网络的混合学习算法（GALM算法）. 该算法先通过遗传算法粗调得到一组全局最优近似解, 再以该近似解为初值, 交替使用遗传算法和LM算法优化神经网络训练, 直至发现满意的网络参数. 实验结果表明, 新算法提高了网络的学习能力和收敛速度.     

一类CVaR约束优化问题的渐近分析

CVaR约束优化问题在经济学、金融工程和管理科学中有重要应用.在利用样本均值近似方法求解CVaR约束优化问题时,一个重要的问题是能否利用样本均值近似CVaR约束优化问题的解来构造真问题的最优解的置信域.求置信域的理论基础就涉及随机优化问题的渐近分析.首先,针对约束的非凸性,给出了CVaR约束优化问题的一个近似问题,然后利用样本均值近似方法研究这个近似问题,给出这个近似问题样本均值近似解的渐近分析,确保CVaR约束优化问题的样本均值近似估计值依分布收敛于服从多元正态分布的变量,为进一步给出这类问题真实解的置信域提供理论基础.     

二维物体识别的暂态混沌神经网络方法

给出了一种二维物体识别混沌神经网络的方法 ,该方法采用图匹配方式的二维物体识别可以转化为一个组合优化问题求解 ,根据二维物体识别的能量函数定义式推导出一种新的暂态混沌神经网络模型 (TCNN) ,它采用混沌模拟退火方式求解优化问题 .随着分叉尺度参数的逐步降低 ,TCNN由混沌解逐步稳定在全局最优的解上 ,从而得出该方法优于Hopfield神经网络的方法     

基于分布式神经动力学算法的微电网多目标优化

针对微电网多目标优化计算量较大的问题,提出了一种考虑需求响应的微电网分布式神经动力学优化算法.首先,考虑平均效率函数、微电网的排放、需求响应引起的不满意度以及总利润函数等因素建立多目标优化模型.其次,应用单目标积公式将多目标优化问题转换为单目标优化问题,并证明了最优解是原始多目标问题的帕累托最优点.再次,使用对数障碍物惩罚因子处理不等式约束,利用Lasalle的不变性原理和Lyapunov函数证明所提出的算法可以收敛到最优解.最后,通过仿真验证了本文算法可以在保证优化精度与收敛性条件下,大大降低计算成本.     

一种求解背包问题的新的神经网络模型

背包问题是一类经典的组合优化问题,在网络资源分配中有着广泛的运用。人工神经网络已成为求解大规模优化问题的一种有效方法,已经证明了合适的神经网络能实时地得到问题的精确解。研究了背包问题的神经网络解法,给出了一种求解背包问题的新的神经网络模型,并证明了该网络模型收敛到背包问题的最优解。算例说明了模型有效性和准确性。     

基于神经网络的逻辑最小造价覆盖算法

提出一种基于神经网络求解逻辑综合中最小造价覆盖问题的优化算法。首先给出了最小造价覆盖问题与能量函数的映射关系，并以此构造了改进的两级Ｈｏｐｆｉｅｌｄ网络模型。然后利用该网络的动态特性，求出最小造价覆盖问题的最优解。最后对算法进行了分析和小结。     

解最小一乘问题的递归神经网络

应用鞍点理论和投影算子的性质,给出了一种递归神经网络求解具有线性约束的最小一乘问题,证明了此神经网络全局收敛于一个最优解.数值实验表明,用本文的方法求解最小一乘问题是切实可行的.     

一种基于Hopfield神经网络的Adhoc网络QoS路由选择算法

当前研究Adhoc网络的QoS保证主要集中于QoS路由选择。人工神经网络已成为求解大规模优化问题的一种有效方法，已经证明合适的神经网络能实时地得到问题的精确解。主要考虑在Adhoc网络中满足时延条件下的最小耗费问题，建立了一种新的Hopfield神经网络模型，给出能量函数各参数之间的关系，并证明了通过适当选取参数，网络的可行解将是渐近稳定的。计算实例表明了新网络模型的有效性。     

线性约束非线性规划的神经网络方法

研究了线性约束的非线性凸规划问题,基于最优性的充要条件,提出了求解它的一个神经网络,该西式能同时求解原问题与对偶问题;利用LaSalle不变原理,证明了该网络是Lyapunov稳定的,并且当目标函数严格单调时,它必不范围渐近收敛于原问题的精确最优解,模拟实验表明,该模型是可行和有效的。     

A Neural Network Method for Reliability Optimizations of Complex Systems

0 Introduction The reliability has become a key factor in the design and operation of complex systems[1]. In general, the de- sign of a system involves numerous discrete choices among available component types based on reliability, cost, performance etc. …     

基于网络响应面的多目标优化方法

为提高多目标优化算法的收敛性以及Pareto解的分布均匀性,构建了基于网络响应面的多目标优化方法.将前馈（BP）网络以及自适应共振（ART）网络的优点相结合,充分利用各子目标每1次独立优化时获得的最优解,并将其作非占优判断后作为初始样本自适应地构建网络响应面,从而提高了Pareto解的收敛性以及多样性指标.对网络获得的每个新类进行各子目标值计算,同时对该子目标值做相似度计算,进一步剔除相似度高的样本,从而提高了Pareto解的分布性指标.通过常用的多目标优化测试函数验证该方法,并与改进的非支配排序遗传算法（NSGA-Ⅱ）以及随机权和算法作对比,结果表明该方法能明显改善多目标优化方法的各性能指标.     

用神经网络新方法求解图的最大独立集问题

在Ｈｏｐｆｉｅｌｄ神经网络优化方法的基础上,根据模拟退炎算法逃离局部最优解的原理,提出了一种神经网络计算的新方法,并用这种方法求解图的最大独立集问题。结果表明,该方法获得最优解比Ｈｏｐｆｉｅｌｄ神经网络优化算法获得的解要好,且所需时间比模拟退火算法少得多。