论文部分内容阅读
本文建立了微分包含意义下的神经网络模型来解决一般非光滑凸规划问题，相比已经存在的用于求解非光滑凸规划问题的神经网络，这种神经网络具有更广泛的应用领域。在对约束集合适的假设下，证明了对一类非光滑凸规划问题在Lipschitz及补偿参数足够大的条件下，任何神经网络的轨道可以在有限时间内到达可行域，并且不再跑出可行域。此外，证明了微分包含意义下的神经网络对于任意给定初始点其轨道收敛到神经网络的平衡点集，集合中的元素同样为最开始凸规划问题的最优解。给出了凸规划问题中目标函数及约束函数仅为凸函数条件下的类似结果，神经网络在任意初始点处的轨道可以在有限时间内到达可行域并且不再跑出可行域，进而给出了几个仿真例子。