11、解决多种优化问题的递归神经网络方法

解决多种优化问题的递归神经网络方法

1. 引言

人工神经网络是一种基于生物神经系统的信息处理数学模型，具有存储经验知识并使其可被使用的自然倾向。其主要优势在于能够近似函数关系，尤其是非线性关系。神经网络已被应用于多种优化问题，且在有效解决这些问题方面展现出了潜力。

传统的神经网络模型大多只能解决特定类型的优化问题，而本文提出的网络使用一种独特的架构，能够处理多种优化问题。该方法采用了一种改进的Hopfield网络，其平衡点代表优化问题的解。此网络的优化过程分两个阶段进行，由两个能量函数表示，即Econf和Eop。Econf是一个约束项，将与问题相关的所有结构约束组合在一起；Eop是一个优化项，引导网络输出到达对应最优解的平衡点。

使用改进的Hopfield网络的主要优点包括：
- 网络的内部参数可通过有效子空间技术明确获得，无需使用训练算法进行调整。
- 有效子空间技术的应用能够找到可行解，这些解源自Econf对所有结构约束的限制。
- 优化和约束项不使用惩罚参数加权，避免影响平衡点的精度和收敛过程。
- 对于所有类型的优化问题，采用相同的方法推导网络的内部参数。
- 在工业应用中，该网络在模拟硬件（使用运算放大器）和数字硬件（使用数字信号处理器）中都易于实现。

2. 改进的Hopfield网络

Hopfield网络是单层网络，节点之间存在反馈连接。在标准情况下，节点完全连接。连续时间网络中第i个神经元的节点方程为：
[
\dot{u} i(t) = - \eta u_i(t) + \sum {j=1}^{N} T_{ij} v_j(t) + b