یک شبکه عصبی با کارایی بالا برای حل رده ای از مسائل بهینه سازی غیرخطی با محدودیت های هیبریدی

با پیشرفت فن آوری اطلاعات وارتباطات و توسعه ارتباط درون سازمانی و بین سازمانی نیاز به استفاده از مدل های بهینه سازی را برای استفاده منطقی از داده ها و اطلاعات فراهم شده گسترش داده است. این مطلب متضمن بزرگ شدن اندازه مسائل بهینه سازی که در عمل وجود دارند خواهد بود. در این شرایط لزوم به کارگیری روش های کارآمدی که بتوانند با سرعت بالا مسائل بسیار بزرگ را با کیفیت قابل قبول حل کنند بیش از بیش احساس می شود.‎ در‎ چند دهه اخیر روش های بهینه سازی که بر پایه رویکرد هوش مصنوعی توسعه یافته اند‏، موفقیت های چشم گیری در حل موثر وکارای مسائل بهینه سازی به دست آورده اند.‎ ‏روش هایی‎ چون الگوریتم ژنتیک‏، جستجوی ممنوع‏، شبیه سازی تبریدی‏، شبکه عصبی و... قابلیت های خود را در حل مسائل بزرگ عملی به خوبی نشان داده اند.‎‎‎‏‎ امتیازات ویژه ی موجود‏‎ در شبکه های عصبی امکان کاربرد آنها را در حوزه وسیعی از تحقیقات فراهم ساخته است. از جمله آن امتیازات می توان به امکان یادگیری و بهبود عملکرد براساس داده های ورودی اشاره کرد. همچنین امکان انجام محاسبات به صورت موازی در شبکه های عصبی امتیاز دیگری است که با توجه به گسترش سخت افزارهای موازی‏، امکان حل مسائل بسیار بزرگ را توسط این رویکرد ممکن می سازد.‎ در‎ این پایان نامه یک مدل شبکه عصبی بازگشتی برای حل رده ای از مسائل بهینه سازی ارائه می شود. تحلیل وجود یکتایی‏، پایداری و همگرای سراسری جواب ها مورد بررسی قرار می گیرند و عملکرد روش های ارائه شده با به کارگیری چند مثال از مسائل برنامه ریزی غیرخطی با محدودیت های هیبریدی‏، کنترل بهینه سیستم های خطی زمان گسسته نشان داده می شود.‎‎ در انتها نتایج کار و پیشنهاداتی برای کارهای آتی ارائه می دهیم.‏