連續(xù)優(yōu)化問題的神經(jīng)網(wǎng)絡解法.pdf

1、在該文的第一章,作者主要分析了優(yōu)化問題的研究背景、優(yōu)化算法、神經(jīng)網(wǎng)絡優(yōu)化技術等相關領域的發(fā)展近況,為整篇論文的研究奠定基礎.文章的第二章簡要地介紹了論文的相關知識背景,如優(yōu)化問題的定義、分類、常規(guī)解法及其特點;常用的智能優(yōu)化方法:神經(jīng)網(wǎng)絡、模擬退火、遺傳算法等方法的發(fā)展歷程、算法的一般流程等相關知識.在隨后的三章中,分別介紹了該論文提出的用于解決標準非線性規(guī)劃問題和非線性全局優(yōu)化問題的三個神經(jīng)網(wǎng)絡模型:神經(jīng)網(wǎng)絡融合信賴域技術求解非線性規(guī)

2、劃問題的模型、求解非線性全局優(yōu)化問題的隨機參數(shù)擾動退火模型以及求解非線性全局優(yōu)化問題的混沌參數(shù)擾動退火(CPDA)模型.在第三章的模型中,算法采用逐次二次規(guī)劃的方法逼近非線性規(guī)劃問題,采用信賴域技術協(xié)調逼近的精度和迭代的速度之間的矛盾,采用一種新的神經(jīng)網(wǎng)絡模型求解一系列的二次規(guī)劃子問題.這樣復雜的非線性規(guī)劃就通過對一系列的較為簡單的二次規(guī)劃問題的求解,得到一個解的收斂序列,從而逼近非線性規(guī)劃問題的最優(yōu)解.文章的第四章針對全局優(yōu)化問題,提

3、出了隨機參數(shù)擾動退火模型,該算法根據(jù)一定的策略,在Hopfield網(wǎng)絡的能量函數(shù)中加入若干項的隨機參數(shù)擾動,使得能量函數(shù)發(fā)生變化,影響能量函數(shù)的地形以及極值點的個數(shù)、位置,從而克服局部極值點的吸引.隨著擾動參數(shù)退火過程的進行,擾動的作用逐漸減小,最后不再影響網(wǎng)絡的尋優(yōu)過程.通過這樣的一個擾動退火過程,算法提高了自身的適應能力,擴大了搜索的范圍,增加了得到最優(yōu)解的幾率,對幾個全局優(yōu)化測試函數(shù)的仿真計算也充分地表現(xiàn)了算法的優(yōu)點.第五章針對擾