استفاده از شبکه های عصبی ژانگ با زمان گسسته برای بهینه سازی غیرخطی متغیر با زمان

الموضوعات : سامانه‌های پردازشی و ارتباطی چندرسانه‌ای هوشمند

الهه کرمی ¹ (کارشناسی ارشد، گروه ریاضی، واحد بوشهر، دانشگاه آزاد اسلامی، بوشهر، ایران)
زینب موسوی ² (استادیار، گروه ریاضی، واحد ابهر، دانشگاه آزاد اسلامی، ابهر، ایران)
کبری غلامی ³ (استادیار، گروه ریاضی، واحد بوشهر، دانشگاه آزاد اسلامی، بوشهر، ایران)

تاريخ الإرسال : 29 الخميس , رمضان, 1444 تاريخ التأكيد : 11 الأربعاء , ذو القعدة, 1444 تاريخ الإصدار : 04 الخميس , ذو الحجة, 1444

الکلمات المفتاحية: شبکه عصبی, شبکه عصبی ژانگ, بهینه‌سازی غیرخطی, بهینه‌سازی, بهینه‌سازی غیرخطی با زمان متغیر.,

ملخص المقالة :

در این مقاله، قصد داریم از شبکه های عصبی ژانگ برای بهینه‌سازی توابع غیرخطی با زمان متغیر استفاده کنیم. در این جهت از یک مدل کلی گسسته سازی ژانگ با خطای کوتاه سازی O (τ^5) استفاده شده و سعی بر آن شده است تا مطالعه دو مدل کلی پنج مرحله ای زمان گسسته شبکه عصبی ژانگ و کاوش در رابطه پارامتر( a_1 ) و اندازه بهینه گام (h ) گسترش یابد. در این پژوهش، با استفاده از نرم‌افزار متلب به منظور ورود داده ها به شبکه عصبی پیشنهادی، ابتدا با روش نرمال سازی استاندارد، نرمال شده اند. داده های مورد نظر در پژوهش در چهار مرحله، آموزش، تست، آزمایش و اعتبارسنجی و در پنج فاز مورد بررسی و ارزیابی قرار گرفتند. آموزش داده ها بر مبنای مدل الگوریتم لونبرگ- ماد برای لایه اول و تابع خطی برای لایه دوم انجام شده است. در ادامه بهترین ساختار شبکه با تابع تبدیل در نظر گرفته شده و براساس مدل شبکه عصبی پیشنهادی در پنج مرحله مورد آزمایش قرار گرفته است.

المصادر:


[1] L. Jin ang Y. Zhang "Discrete-time Zhang neural network for online time-varying nonlinear optimization with application to manipulator motion generation," IEEE Transactions on Neural Networks and Learning Systems, Vol. 26, no. 7, pp. 1525-1540, 2015.
[2] D. Guo and et. al., "Design and analysis of two discrete-time ZD algorithms for time-varying nonlinear minimization," Numerical Algorithms, vol. 77, pp. 23-36, 2018.
[3] Y. Zhang and et. al., "General four-step discrete-time zeroing and derivative dynamics applied to time-varying nonlinear optimization," Journal of Computational and Applied Mathematics, pp. Vol. 347, pp: 314–329, 2019.
[4] Y. Wang and J. Xiu, Nonlinear Programming Theory and Algorithm, Shaanxi Science and Technology Press, 2008.
[5] F. Uhlig and Y. Zhang, "Neural Networks for fast and accurate computations of the field of values," Linear and Multilinear Algebra, vol. Vol. 13, pp. 1-18, 2019.
[6] W. Bian and et. al., "Neural network for nonsmooth pseudoconvex optimization with general convex constraints," Neural Networks, vol. Vol. 101, pp. 1-14, 2018.
[7] A. Hosseini, J. Wang and S.M. hosseini, "A recurrent neural network for solving a class of generalized convex optimization problems," Neural Network, vol. Vol. 44, pp. 78-86, 2013.
[8] Y. Zhang, "ZFD formula 4I g SFD_Y applied to future minimization," Physics Letters A, vol. Vol. 381, no. No. 19, p. 1677–1681, 2017.
[9] A. Joze Ashori, Sh. Karimi, "QoS Management Solution in Software Defined Networking using Ryu Controller," IMPCS, 2021, 3(1 9-23.
[10] J. Balakudehi, M. Tahghighi Sharabyan, "Providing a New Approach to Identify and Detect Credit Card Fraud Using ANN– ICA," IMPCS, 2022, 3(2), 51-62.