Uma Rede Neural Recorrente de Uma Camada para Otimização Não Suave Constrangida

Neste artigo, propõe-se uma rede neural recorrente de uma camada para resolver problemas de otimização não convexa sujeitos a restrições gerais de desigualdade, projetada com base em um método de função de penalidade exata. Demonstra-se aqui que qualquer estado de neurônio da rede neural proposta é convergente para a região factível em tempo finito e permanece lá posteriormente, desde que o parâmetro de penalidade seja suficientemente grande. Os limites inferiores do parâmetro de penalidade e do tempo de convergência também são estimados. Além disso, qualquer estado neural da rede neural proposta é convergente para seu conjunto de ponto de equilíbrio que satisfaz as condições de Karush-Kuhn-Tucker do problema de otimização. Além disso, o conjunto de ponto de equilíbrio é equivalente à solução ótima para o problema de otimização não convexa se a função objetivo e as restrições satisfizerem determinadas condições. Quatro exemplos numéricos são fornecidos para ilustrar o desempenho da rede neural proposta.