دسته ای از مسائل بهینه سازی، علاوه بر قیود جبری، دارای قیود دیفرانسیلی نیز می باشند. این نوع از مسائل کاربردهای زیادی در صنعت نفت دارند. در این پایان نامه، یک میدان نفتی با سه چاه استخراج را که به صورت یک مسئله ی بهینهسازی با قیود دیفرانسیلی مدلبندی ریاضی شده است، درنظر گرفته ایم. با تبدیل مدل فوق به یک مسئله ی برنامه ریزی غیرخطی (nlp) و با استفاده از شبکه های عصبی مصنوعی، به حل مسئله ی مدیریت تولید روزانه ی نفت می پردازیم. در دو فصل نخست، مقدمات مربوط به شبکه های عصبی، ویژگیهای شیمیایی نفت و انواع جریان سیالات درون لوله ها آورده شده است. در فصل سوم، به شرح مدل بهینه سازی تولید روزانه ی نفت از مرجع اصلی پایان نامه [3] که دارای قیود معادلات دیفرانسیل پاره ای (pde) است، پرداخته ایم. در فصل چهارم، شبکه عصبی بازگشتی تصویر گرادیان ناموجه در [2] مورد بحث واقع شده است. قضایای مربوط به همگرایی و پایداری شبکه ی فوق آورده شده است. در حالت کلی این شبکه قادر به حل مسائل برنامه ریزی خطی و غیرخطی است. در فصل پنجم، مدل شبکه عصبی جدید 1 را که اصلاح شده ی مدل مرجع [2] با پیچیدگی سخت افزاری کمتری است، ارائه کرده ایم . سپس شبکه عصبی جدید 2 را که اصلاح شده ی مدل جدید 1 می باشد نیز برای حل مسائل nlp آورده ایم. نتایج عددی حاصل از حل مثالهای برنامه ریزی غیرخطی به کمک شبکه های عصبی فوق به همراه نمودارهای همگرایی مسیرهای حالت آنها بیان و مقایسه شده است. در ادامه ی فصل پنجم، با اعمال تغییراتی در مدل بهینه سازی تولید روزانه ی نفت مرجع [3]، و با درنظرگرفتن پارامترهای مورد نیاز صنعتگران حوزه ی نفت، به یک مسئله ی nlp با تابع هدف خطی و محدودیتهای غیرخطی و خطی در حالت تساوی با متغیرهای کراندار برای میدانهای نفتی با شرایط خاص رسیده ایم. همچنین این مدل را که دارای کارایی خوب و پیچیدگی کمتر نسبت به مدل مرجع [3] می باشد، برای مدیریت بهینه ی تولید روزانه ی یک میدان نفتی با داده های واقعی به کار برده ایم. مسئله ی حاصل را با سه مدل شبکه عصبی و نیز الگوریتم ناحیه اطمینان نقطه درونی حل نموده ایم. نتایج و نمودارهای همگرایی مسیرهای حالت را با یکدیگر مقایسه کرده و توانمندی مدلهای جدید پیشنهادی را نشان داده ایم.