二次型规划问题的进一步研究

进一步分析了求解二次型规划问题的神经网络方法，给出了这一方法的稳定性的可检验条件，并证明在这个条件下网络是全局收敛的，最后，给出了数值模拟例子。     

基于神经网络的二次规划问题的指数稳定性

针对带有边界约束的凸二次规划问题,利用离散神经网络模型的建模原理,构造了一个神经网络模型.利用矩阵与对称矩阵的关系和正定矩阵特征值的性质,通过引入一个适当的因子,得到了该离散型神经网络模型是全局指数稳定性和指数收敛率的结果.同时分析了该结果的优越性和存在的不足,提出了解决的3种方法,最后给出了实例说明本方法取得结果的实用性.     

求解二次规划问题的快速收敛梯度神经网络模型设计及仿真

为了实现对二次规划问题的求解,提出了一个快速收敛的梯度神经网络模型。不同于传统的梯度神经网络设计方法,快速收敛的梯度神经网络模型加入了一个非线性激励函数,从而加快了求解二次规划问题的收敛速度。而且,通过调节设计参数的取值,收敛速度可以得到进一步加快。计算机对比仿真结果验证了快速收敛的梯度神经网络模型的有效性和优越性。     

二次规划的对偶问题

本文讨论了二次规划的对偶问题以及对偶问题的对偶问题，给出了对偶定理和逆对偶定理。     

求解二次规划的一个基于梯度的新神经网络

根据问题自身的结构特点，通过将其转化为等价的方程，提出了求解凸二次规划的一个基于梯度的新神经网络模型．严格证明了它是Liapunov稳定的，并且渐近收敛于原问题的精确解．讨论了其全局指数稳定性，该模型不需要选择自反馈或辅助联结权矩阵，且网络规模小于原问题．模拟实验表明新模型不仅可行，而且有效。     

求解二次锥规划问题的非精确光滑算法

针对大规模二次锥规划问题提出一种非精确光滑算法.  该算法允许搜索方向有一定的误差, 在选择步长时采用非单调线性搜索策略. 证明了从任意点出发能得到算法的局部二次收敛速率.     

整凸二次规划

本文给出了一种求解整凸二次规划的分枝定界法，该算法把松弛问题转化为线性互补问题，由于求解线性互补问题时，充分地利用了前一分枝点所对应的线性互补问题解的信息，从而地减少了计算量。     

一类求解退化凸二次规划的投影神经网络

借助变分不等式和Kuhn—Tucker条件,构造了一类投影神经网络求解线性约束的退化凸二次规划问题．与已有的求解退化凸规划问题的神经网络系统相比,系统的适用范围更广;在理论方面,系统是全局收敛的;数值实例显示了所得结论的有效性和正确性．     

约束优化问题稳定序列二次规划方法研究综述

稳定序列二次规划(sSQP)方法由于在求解病态或退化约束优化问题获得理论与数值的突破性进展而备受关注,重要成果频繁问世.本文对近期国际上若干重要sSQP方法及其思想进行概述,包括罚函数型sSQP方法,滤子型sSQP方法和非精确恢复(IR)型sSQP方法等,并对约束优化问题sSQP方法的进一步研究进行探索性思考.     

二次最小化问题的有限时间递归神经网络求解

利用一类递归神经网络模型来求解二次最小化问题,在该模型的基础上加入双符号幂激励函数,以加快递归神经网络的收敛速度,甚至达到有限时间收敛.通过调节设计参数λ的取值,递归神经网络的收敛性能可进一步提高.利用MATLAB软件对有限递归神经网络模型进行仿真,数值仿真结果验证了模型求解二次最小化问题的有效性和优越性.     

求解线性规划问题的神经网络模型

提出了一个解线性规划问题了增广的神经网络模型，证明了该网络全局稳定子平衡点，而平衡点就是线性规划问题的解，该网络的优点是，能够实时获得问题的精确解，且可以同时获得带等式或不等式约束的对偶问题解，该网络易于电路实现。     

—种求解线性二层规划的神经网络方法

提出了—种求解线性二层规划的神经网络方法.采用以下层问题的对偶间隙为罚项,构造线性二层规划罚问题的思想,将线性二层规划转化成相应的单层规划问题,然后设计求解单层规划问题的神经网络模型,从而得到线性二层规划的最优解.该网络是Lyapunov稳定的,且在适当的条件下收敛于线性二层规划的最优解,仿真结果表明该神经网络可以有效地得到线性二层规划的最优解.     

一个二次规划问题的高阶收敛算法

利用凝聚函数对二次规划问题的等价形式进行带参数的磨光,并对参数方程的解曲线进行离散化追踪,在适当的条件下,证明了该算法具有大范围线性收敛和局部任意阶收敛.     

神经网络融合信赖域求解非线性规划的新方法

人工神经网络在解决优化问题方面具有速度和精度的优势，将一种新的Hopfield网络模型与信赖域技术融合起来，采用逐次二次规划方法将约束非线性规划问题转换成一系列的二次规划子问题，并采用信赖域技术协调计算速度与精度之间的矛盾，同时通过Hopfield网络求解各个二次规划子问题，得到原来规划问题的最优解，通过对大量函数进行仿真计算，取得了很好的仿真结果。