连续零化神经网络(CTZNN)求解动态等式约束的线性规划问题

最新推荐文章于 2023-03-26 23:02:20 发布

Bokman

最新推荐文章于 2023-03-26 23:02:20 发布

阅读量1.3k

点赞数 1

分类专栏：数值算法文章标签：神经网络算法矩阵线性代数

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/Bokman/article/details/110677289

版权

数值算法专栏收录该内容

16 篇文章 4 订阅

订阅专栏

带动态等式约束的线性规划问题定义：

$\large \text{minimize}~C^{\text{T}}(t)x(t)+d(t)$

$\large \text{subject to} ~ A(t)x(t)=b(t)$

拉格朗日乘子法，将带线性约束的规划问题转化为无约束线性等式问题：

$\large L(x(t), \rho(t), t)=C^{\text{T}}(t)x(t)+d(t)+\rho^{\text{T}}(t)(A(t)x(t)-b(t))$

求解动态等式约束的线性规划问题，可以通过对下方的方程进行零化来实现：

$\large \frac{\partial L(x(t), \rho(t), t)}{\partial x(t)}=C^{\text{T}}(t)+\rho(t)x(t)=0$

$\large \frac{\partial L(x(t), \rho(t), t)}{\partial \rho(t)}=A(t)x(t)-b(t)=0$

通过构造如下矩阵和向量，可以将以上方程组转化为动态线性方程：

$\large \begin{bmatrix} C^{\text{T}}(t) &\rho^\text{T}(t) \\ A(t) & 0 \end{bmatrix} \times \begin{bmatrix} I \\ x(t) \end{bmatrix} =\begin{bmatrix} 0\\ b(t) \end{bmatrix}$

即为：

$\large W(t)y(t)=u(t)$

构造误差函数：

$\large \epsilon(t)=W(t)x(t)-b(t)$

零化神经网络的演化定义：

$\large \dot \epsilon(t)=-\gamma \epsilon(t)$

展开并整理可以得到用于求解态等数约束的线性规划问题的CTZNN模型迭代公式：

$\large W(t)\dot y(t)=-\dot W(t)y(t)+\dot u(t)-\gamma(W(t)y(t)-u(t))$

关注

1
点赞
踩
4

收藏

觉得还不错? 一键收藏
5
评论
连续零化神经网络(CTZNN)求解动态等式约束的线性规划问题

带动态等式约束的线性规划问题定义：拉格朗日乘子法，将带线性约束的规划问题转化为无约束线性等式问题：求解动态等式约束的线性规划问题，可以通过对下方的方程进行零化来实现：通过构造如下矩阵和向量，可以将以上方程组转化为动态线性方程：即为：构造误差函数：零化神经网络的演化定义：展开并整理可以得到用于求解态等数约束的线性规划问题的CTZNN模型迭代公式：...
复制链接

扫一扫

专栏目录

评论 5

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。