A projection neural-dynamic model for solving fuzzy convex nonlinear programming problems

Publish Year: 1403
نوع سند: مقاله ژورنالی
زبان: English
View: 72

This Paper With 27 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_IJFS-21-3_003

تاریخ نمایه سازی: 16 مرداد 1403

Abstract:

In the proposed manuscript, the solution of the fuzzy nonlinear optimization problems (FNLOPs) is gainedusing a projection recurrent neural network (RNN) scheme. Since there is a few research for resolving of FNLOPby RNN's, we establish a new scheme to solve the problem. By reducing theoriginal program to an interval problem and then weighting problem, the Karush--Kuhn--Tucker (KKT)conditions are presented. Moreover, we apply the KKT conditions into a RNN as a efficient tool to solve the problem. Besides, the convergence properties and thestability analysis of the system model are provided. In the final step, several simulation examples are verified to support the obtained results. Reported results are compared with some other previous neural networks.

Keywords:

Neural Networks , Fuzzy nonlinear programming problem , fuzzy parameters , stability , Convergence

Authors

Mohammadreza Jahangiri

Faculty of Mathematical Sciences, Shahrood University of Technology, P.O. Box ۳۶۱۹۹۹۵۱۶۱-۳۱۶, Tel-Fax No:+۹۸-۲۳-۳۲۳۰۰۲۳۵, Shahrood, Iran.

Alireza Nazemi

Shahrood University of Technology

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • S. K. Agrawal, B. C. Fabien, Optimization of dynamic systems, ...
  • https://doi.org/۱۰.۱۰۰۷/۹۷۸-۹۴-۰۱۵-۹۱۴۹-۲[۲] Z. Arjmandzadeh, M. Safi, A. Nazemi, A new neural ...
  • M. S. Bazaraa, C. Shetty, H. D. Sherali, Nonlinear programming, ...
  • S. Boyd, L. Vandenberghe, Convex optimization, Cambridge University Press, Cambridge, ...
  • org/۱۰.۱۱۰۹/TAC.۲۰۰۶.۸۸۴۹۲۲[۷] J. J. Buckley, Possibilistic linear programming with triangular fuzzy ...
  • https://doi.org/۱۰.۱۱۰۹/TNNLS.۲۰۲۳.۳۳۱۱۱۶۹[۱۱] Y. H. Chen, S. C. Fang, Neurocomputing with time ...
  • ۲۰۰۹.۱۱.۰۱۴[۱۳] S. Effati, A. Ghomashi, A. Nazemi, Application of projection ...
  • ۲۰۰۶.۱۰.۰۸۸[۱۴] S. Effati, A. Mansoori, M. Eshaghnezhad, An efficient projection ...
  • https://doi.org/۱۰.۱۰۰۷/b۱۰۰۶۰۵[۱۶] M. Eshaghnezhad, S. Effati, A. Mansoori, A neurodynamic model ...
  • https://doi.org/۱۰.۱۰۰۷/s۰۰۳۶۶-۰۲۰-۰۱۲۱۴-۵[۱۹] R. Fletcher, Practical methods of optimization, Wiley, NewYork, ۱۹۸۱. ...
  • ۱۲۸۷/opre.۴۲.۶.۱۱۲۰[۲۲] X. Gao, A novel neural network for nonlinear convex ...
  • https://doi.org/۱۰.۱۰۰۷/s۰۰۵۰۰-۰۱۹-۰۳۷۷۱-۴[۲۴] R. Ghanbari, K. Ghorbani-Moghadam, N. Mahdavi-Amiri, A time variant ...
  • org/۱۰.۱۰۰۷/s۰۰۵۰۰-۰۲۰-۰۵۰۰۸-۱[۳۰] D. Karbasi, A. Nazemi, M. Rabiei, An optimization technique ...
  • https://doi.org/۱۰.۱۱۰۹/TNNLS.۲۰۱۶.۲۵۱۶۵۶۵[۳۳] S. Li, L. Jin, M. A. Mirza, Kinematic control ...
  • ۲۰۱۲.۱۲.۰۰۹[۳۵] Z. Li, H. Xiao, C. Yang, Y. Zhao, Model ...
  • https://doi.org/۱۰.۱۱۰۹/TSMC.۲۰۱۵.۲۳۹۸۸۳۳[۳۶] G. Li, Z. Yan, J. Wang, A one-layer recurrent ...
  • org/۱۰.۱۰۱۶/S۰۳۷۷-۰۴۲۷(۰۰)۰۰۲۶۲-۴[۳۸] Q. Liu, J. Wang, L۱-minimization algorithms for sparse signal ...
  • ۱۱۰۹/TNNLS.۲۰۱۵.۲۴۸۱۰۰۶[۳۹] J. Lu, S. C. Fang, Solving nonlinear optimization problems ...
  • https://doi.org/۱۰.۱۰۱۶/j.asoc.۲۰۱۷.۰۳.۰۲۸[۴۲] A. Mansoori, S. Effati, An efficient neurodynamic model to ...
  • K. M. Miettinen, Non-linear multi objective optimization, Kluwer Academic Publishers, ...
  • org/۱۰.۱۱۰۹/MCS.۲۰۰۸.۹۳۰۸۳۴[۵۰] S. M. Mousavi, S. Mirdamadi, A. Siadat, J. Dantan, ...
  • A. R. Nazemi, S. Effati, Anapplication of a merit function ...
  • https://doi.org/۱۰.۱۰۰۷/s۱۰۴۸۹-۰۱۸-۱۲۶۸-۱[۵۴] A. R. Nazemi, A. Sabeghi, A new neural network ...
  • ۱۰۱۶/j.cam.۲۰۱۸.۱۰.۰۲۵[۵۶] A. Nikseresht, A. R. Nazemi, A novel neural network ...
  • ۱۰۱۶/j.cam.۲۰۱۸.۰۱.۰۲۳[۵۷] A. Nikseresht, A. R. Nazemi, A smoothing gradient-based neural ...
  • ۱۰۸۰/۰۹۵۴۸۹۸X.۲۰۲۲.۲۱۰۴۴۶۳[۵۸] J. Nocedal, S. Wright, Numerical optimization, Second ed., Springer-Verlag, ...
  • ۲۰۱۶.۲۵۹۵۴۸۹[۶۱] M. A. Z. Raja, M. A. Manzar, F. H. ...
  • org/۱۰.۱۰۱۶/j.asoc.۲۰۱۷.۱۰.۰۴۹[۶۲] D. Rani, A. Ebrahimnejad, G. Gupta, Generalized techniques for ...
  • ۱۰۱۶/j.eswa.۲۰۲۲.۱۱۷۲۶۴[۶۳] M. Ranjbar, S. Effati, S. M. Miri, An artificial ...
  • ۱۱۰۹/TII.۲۰۲۳.۳۲۹۰۱۸۷[۶۷] Y. Shi, Q. Shi, X. Cao, B. Li, X. ...
  • ۲۰۲۱.۱۰۷۶۱۹[۷۱] L. Stefanini, L. Sorini, M. L. Guerra, Parametric representation ...
  • D. W. Tank, J. J. Hopfield, Simple neural optimization networks: ...
  • https://doi.org/۱۰.۱۱۶۲/۰۸۹۹۷۶۶۰۴۳۲۲۸۶۰۷۳۰[۸۲] Y. Xia, J. Wang, A recurrent neural network for ...
  • نمایش کامل مراجع