یک روش شبکه عصبی بدون پارامتر جریمه برای حل دسته ای از مسائل بهینه سازی ناهموارنامحدب
Publish Year: 1394
Type: Conference paper
Language: Persian
View: 1,017
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
SCIHUB01_002
Index date: 22 November 2015
یک روش شبکه عصبی بدون پارامتر جریمه برای حل دسته ای از مسائل بهینه سازی ناهموارنامحدب abstract
در این مقاله یک روش شبکه عصبی بدون حضور پارامتر جریمه و بر پایه روش های هموار ساز و محدب ساز برای حل دسته ای از مسائل بهینهسازی ناهموار نامحدب ارائه می شود که در آن ها تابع هدف لزوماً هموار یا محدب نمی باشد و توابع حاضر در قیود محدب و لزوماً هموار نمیباشند. این روش شبکه عصبی دارای چند ویژگی مهم می باشد ا، ولاً به علت عدم نیاز به انجام محاسبات زمان بر مربوط به پارامتر جریمه، هزینهمحاسباتی تا حد زیادی کاهش و سرعت همگرایی به جواب بهینه افزایش می یابد و به علاوه چون تقریب نادقیق پارامتر جریمه ممکن است به بدحالتی یا واگرایی منجر شود، عدم حضور این پارامتر در این روش حساسیت جواب به این پارامتر را از بین می برد. ثانیاً به علت بناگذاری شبکهعصبی بر پایه معادله دیفرانسیل، نیازی به حل شمول دیفرانسیل نمی باشد و ثالثاً در این روش نیازی به شدنی بودن نقطه آغازین نمی باشد. در اینمقاله، با ارائه نتایج و مقایسات عددی حاصل از پیاده سازی الگوریتم متناظر به این روش شبکه عصبی، کارآیی این روش از لحاظ کاهش هزینهمحاسباتی و افزایش سرعت همگرایی به جواب بهینه، نشان داده می شود
یک روش شبکه عصبی بدون پارامتر جریمه برای حل دسته ای از مسائل بهینه سازی ناهموارنامحدب Keywords:
یک روش شبکه عصبی بدون پارامتر جریمه برای حل دسته ای از مسائل بهینه سازی ناهموارنامحدب authors
الهه توکل
دانشجوی کارشناسی ارشد، دانشگاه تربیت مدرس
سید محمد حسینی
عضو هیئت علمی، دانشگاه تربیت مدرس
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 :