پروژه 24

عنوان مقاله فارسی: یک شبکه عصبی پروجکشن اینرسی برای حل نابرابری های مختلف

عنوان مقاله لاتین: An Inertial Projection Neural Network for Solving Variational Inequalities

نویسندگان: Xing He; Tingwen Huang; Junzhi Yu; Chuandong Li; Chaojie Li

تعداد صفحات: 5

سال انتشار: 2017

زبان: لاتین

Abstract:

Recently, projection neural network (PNN) was proposed for solving monotone variational inequalities (VIs) and related convex optimization problems. In this paper, considering the inertial term into first order PNNs, an inertial PNN (IPNN) is also proposed for solving VIs. Under certain conditions, the IPNN is proved to be stable, and can be applied to solve a broader class of constrained optimization problems related to VIs. Compared with existing neural networks (NNs), the presence of the inertial term allows us to overcome some drawbacks of many NNs, which are constructed based on the steepest descent method, and this model is more convenient for exploring different Karush-Kuhn-Tucker optimal solution for nonconvex optimization problems. Finally, simulation results on three numerical examples show the effectiveness and performance of the proposed NN.

اخیرا، شبکه عصبی افکنش (pnn)برای حل نابرابری‌های توزیع یکنواخت (vis)و مسایل بهینه‌سازی محدب مرتبط پیشنهاد شده‌است. در این مقاله، با در نظر گرفتن واژه اینرسی به مرتبه اول pnns، یک pnn اینرسی (IPNN)نیز برای حل vis پیشنهاد شده‌است. تحت شرایط خاص، ثابت شده‌است که IPNN پایدار است و می‌تواند برای حل یک کلاس بزرگ‌تر از مسایل بهینه‌سازی مقید مربوط به vis بکار رود. در مقایسه با شبکه‌های عصبی موجود (nns)، حضور عبارت اینرسی به ما اجازه می‌دهد تا بر برخی از اشکالات بسیاری از nns که براساس تندترین روش نزول ایجاد شده‌اند غلبه کنیم، و این مدل برای بررسی راه‌حل بهینه Karush - Kuhn - Tucker - Tucker برای مسایل بهینه‌سازی nonconvex مناسب‌تر است. در نهایت، نتایج شبیه‌سازی روی سه مثال عددی اثربخشی و عملکرد of را نشان می‌دهد.