یک شبکه عصبی بازگشتی تک لایه کارا برای حل دسته ای از مسائل بهینه سازی محدب ناهموار

مسایل بهینه سازی مقید دارای کاربردهای وسیعی در علوم، مهندسی و اقتصاد می باشند. در این مقاله یک مدل شبکه عصبی برای حل دسته ای از مسایل بهینه سازی مقید ناهموار با تابع هدف محدب ناهموار و قیود نامساوی های غیرخطی و خطی آفین پیشنهاد شده است. آن یک شبکه عصبی بازگشتی تک لایه غیر جریمه ای مبتنی بر شمول دیفرانسیلی است. برخلاف اکثر مدل های شبکه عصبی موجود برای حل مسایل بهینه سازی، در ساختار مدل پیشنهادی هیچ پارامتر جریمه ای یا تابع جریمه وجود نداشته و مدل از پیچیدگی کمتری برخوردار است که منجر به پیاده سازی آسان تر مدل پیشنهادی می شود. معادل بودن مجموعه جواب های بهینه مساله بهینه سازی اصلی و مجموعه نقاط تعادلی مدل شبکه عصبی پیشنهادی اثبات گردیده است. به علاوه همگرایی سراسری و پایداری شبکه عصبی پیشنهادی نشان داده شده اند. به منظور روشن ساختن کارایی و اثربخشی مدل ارایه شده تعدادی مثال شامل مساله مینیمم سازی نرم L1 ارایه و حل شده است.