基于
BP
神经网络的分段函数连续优化处理
冯长敏,张炳江
【摘
要】
有些优化问题中的目标函数或者约束函数是分段函数,该类函数不具
有连续性和可微性,也即不符合非线性规划问题求解的最优性条件,因而传统
的梯度类算法难以求解此类优化问题。利用神经网络较强的非线性映射能力
,
结
合最小二乘法可以进行曲线拟合的特点,提出一种将分段函数处理成具有连续
而且可微性的函数的方法。最后进行实例验证,并进行误差分析,结果表明该
方法处理得出的连续且可微的函数对分段函数的逼近精度较高,可以利用该函
数进行优化求解。
【期刊名称】
北京信息科技大学学报(自然科学版)
【年
(
卷
),
期】
2019(034)001
【总页数】
5
【关键词】
关键词
:BP
神经网络;连续化;正态分布;函数逼近;最小二乘法
基金项目:国家自然科学基金资助项目
(11271362)
0
引言
数值优化与计算中,有很多学者研究了光滑优化问题。如,张培爱
[1]
提出了求
解非线性规划的一个连续化方法,其
KKT
条件通过
NCP
函数转化为一个非光
滑的方程组
,
然后用熵光滑化函数光滑化
,
得到一个带参数的方程组,为此提出了
一个求解该参数方程组的非内点连续化方法,但是计算效率不高。
人工神经网络
(ANN)
是在人脑结构的启发下所构建的计算模型。不同于一般的
算法,被训练后的神经网络可以完成一些特殊的功能,为系统提供一系列具有
代表性的描述问题的样本,即成组的输入、输出样本。神经网络可以推断出输