一种协作神经动力学方法,采用两次时间尺度投影神经网络,通过大化-最小化设计,用于全球优化和分布式全球优化

科学领域:

• 人工智能的人工智能
• 优化理论 优化理论
• 神经网络的神经网络的神经网络

背景情况:

• 非凸的优化问题在各种科学和工程领域普遍存在.
• 分布式优化带来了重大的计算挑战.
• 现有的方法往往在解决非凸问题的全球趋同方面扎.

研究的目的:

• 为非凸和分布式非凸优化提出新的两次尺度投影神经网络.
• 建立拟议的神经网络的全球收性质.
• 开发一种协作的神经动力学方法,以提高全球优化.

主要方法:

• 开发两个两个时间尺度的投影神经网络.
• 应用大化-最小化原则.
• 在协作神经动力学框架中使用元启发式规则进行重新启动.

主要成果:

• 拟议的神经网络被证明是全球趋同到Karush-Kuhn-Tucker点.
• 协作神经动力学方法提高了全球和分布式优化中的性能.
• 数字示例验证了开发方法的有效性.

结论:

• 引入的双时间尺度投影神经网络为非凸优化提供了理论上合理且实际有效的方法.
• 协作神经动力学策略为解决复杂的分布式优化任务提供了一个强大的工具.
• 这项工作推进了基于神经网络的优化技术的最新进展.