拉格朗日神经网络解决带等式和不等式约束的非光滑非凸优化问题

发布时间：2018-01-05 01:34

本文关键词：拉格朗日神经网络解决带等式和不等式约束的非光滑非凸优化问题　出处：《电子与信息学报》2017年08期 　论文类型：期刊论文

【摘要】：非凸非光滑优化问题涉及科学与工程应用的诸多领域,是目前国际上的研究热点。该文针对已有基于早期罚函数神经网络解决非光滑优化问题的不足,借鉴Lagrange乘子罚函数的思想提出一种有效解决带等式和不等式约束的非凸非光滑优化问题的递归神经网络模型。由于该网络模型的罚因子是变量,无需计算罚因子的初始值仍能保证神经网络收敛到优化问题的最优解,因此更加便于网络计算。此外,与传统Lagrange方法不同,该网络模型增加了一个等式约束惩罚项,可以提高网络的收敛能力。通过详细的分析证明了该网络模型的轨迹在有限时间内必进入可行域,且最终收敛于关键点集。最后通过数值实验验证了所提出理论的有效性。
[Abstract]:Non convex and non smooth optimization problem involves many fields of science and engineering, is the current international research focus. This paper aiming at the deficiency of early penalty function neural networks for solving nonsmooth optimization problems based on reference Lagrange multiplier penalty function proposed an effective solution to the non convex with equality and inequality constraints of non a recurrent neural network model smooth optimization problems. Due to the penalty factor of the network model is variable, without calculating the initial value of the penalty factor can still ensure the convergence of neural network to the optimal solution of the optimization problem, thus more convenient for network computing. In addition, different from the traditional Lagrange method, the network model adds an equality constraint the penalty term, can improve the convergence ability. Through detailed analysis proves that the network model trajectory in a finite time will go into the feasible region, and finally converges to the point set. Finally, the validity of the proposed theory is verified by numerical experiments.

【作者单位】：广西大学计算机与电子信息学院;广西大学电气工程学院;
【基金】：国家自然科学基金(61462006,51407037) 广西自然科学基金(2014GXNSFAA118391)~~
【分类号】：TP183
【正文快照】： 作为解决优化问题的并行计算模型,递归神经网络在过去的几十年里受到了极大的关注,不少神经网络模型被提出[1-3]。然而这些网络都是为解决光滑优化问题而设计的,它们却无法解决非光滑优化问题。为此,Forti等人[4]提出了通用非线性规划神经网络模型(G-NPC),用于解决不等式限制

【相似文献】