精确求解一类动态规划问题的神经网络

根据一类动态规划问题的特点，提出一种能够精确求解此问题的神经网络。ＬＤＰＮＮ具有结构简单、易于硬件实现、求解速度快并且能够求得精确最优解等优点，特点适合于大规模动态规划问题的求解。在复杂系统的实时优化与控制等方面具有广阔的应用前景。     

精确动态规划算法求解绿色单机调度问题

针对一类生产实际中广泛存在的绿色单机调度问题,即带释放时间的低碳单机调度问题,提出一种精确动态规划算法(exact dynamic programming algorithm,EDPA)进行求解,优化的主要和次要目标分别为最小化最大延迟时间和总碳排放量.首先,建立问题的排序模型,该模型可用三元法表示为$1|agr(r_j,d_j)|TCE/T_{\max     

一类半无限规划问题的神经网络算法

考虑了一类带有不等式和等式混合约束的半无限规划问题。通过运用极大熵方法,将多个约束条件的问题转化为单个约束条件的非线性规划模型,并提出了求解它的一个神经网络模型,严格证明了该模型是Lyapunov稳定的,并且在有限时间内收敛到原问题的一个精确解。数值实验表明,新模型不仅可行而且有效。     

基于动态规划的约束优化问题多参数规划求解方法及应用

结合动态规划和单步多参数二次规划, 提出一种新的约束优化控制问题多参数规划求解方法. 一方面能得到约束线性二次优化控制问题最优控制序列与状态之间的显式函数关系, 减少多参数规划问题求解的工作量; 另一方面能够同时求解得到状态反馈最优控制律. 应用本文提出的多参数二次规划求解方法, 建立无限时间约束优化问题状态反馈显式最优控制律. 针对电梯机械系统振动控制模型做了数值仿真计算.     

基于自适应动态规划的一类带有时滞的离散时间非线性系统的最优控制策略

针对一类状态和控制变量均带有时滞的非线性系统的带有二次性能指标函数最优控制问题, 本文提出了一种基于新的迭代自适应动态规划算法的最优控制方案. 通过引进时滞矩阵函数, 应用动态规划理论, 本文获得了最优控制的显式表达式, 然后通过自适应评判技术获得最优控制量. 本文给出了收敛性证明以保证性能指标函数收敛到最优. 为了实现所提出的算法, 本文采用神经网络近似性能指标函数、计算最优控制策略、求解时滞矩阵函数、以及给非线性系统建模. 最后本文给出了两个仿真例子说明所提出的最优策略的有效性.     

动态规划最优控制在非线性系统中的应用

应用一种新的自适应动态最优化方法(ADP),在线实现对非线性连续系统的最优控制。首先应用汉密尔顿函数（Hamilton-Jacobi-Bellman, HJB）求解系统的最优控制,并应用神经网络BP算法对汉密尔顿函数中的性能指标进行估计,进而得到非线性连续系统的最优控制。同时引进一种新的自适应算法,基于参数误差,在线实现对系统进行动态最优求解,而且通过李亚普诺夫方法对参数收敛情况也进行详细的分析。最后,用仿真结果来验证所提出的方法的可行性。     

基于Lawgrange乘子理论的轨迹跟踪和局部规划一体化

基于Ｌａｇｒａｎｇｅ乘子理论,根据移动机器人自主行走的具体要求,提出完成轨迹跟踪、到达目标和避障的优化模型,帝现了控制与规划的一体化。利用Ｌｙａｐｕｎｏｖ稳定理论证明了系统的稳定性,讨论了Ｌａｇｒａｎｇｅ乘子对系统响应的影响,仿真结果表明移动机器人可同时跟踪期望轨迹并完成局部规划。     

用神经网络求解机器人动态调度中的近似指派问题

本文利用HOPFIELD神经网络，对机器人动态调度中的近似指派问题提出了合理的神经网络表示方法，给出了网络的能量函数表示法及神经元状态方程，从而得出了机器人动态调度中近似指派问题的快速求解策略，满足了动态调度的实时性要求．本文从理论上论证了所提算法的收敛性．软件仿真结果表明，本文提出的近似指派问题网络求解方法是有效的，计算结果是满意的．     

混杂系统优化控制的动态规划方法研究

研究了末态自由、时间一定的混杂系统的最优控制问题. 提出了基于可达网络的混杂系统优化控制的动态规划方法. 这种方法能够给出问题的全局最优解, 并有效地降低系统的计算量.     

用神经网络求解机器人动态调度中的近似指派问题

本文利用HOPFIELD神经网络，对机器人动态调度中的近似指派问题提出了合理的神经网络表示方法，给出了网络的能量函数表示法及神经元状态方程，从而得出了机器人动态调度中近似指派问题的快速求解策略，满足了动态调度的实时性要求。本文从理论上论证了所提算法的收敛性。软件仿真结果表明，本文提出的近似指派问题网络求解方法是有效的，计算结果是满意的。     

A Recurrent Neural Network for N-Stage Optimal Control Problems

A recurrent neural network is introduced for the N-stage optimal control problem. The new neural network is based on a reformulation of the original optimal control problem and the gradient method. The simulation results on two examples indicate that the new neural network is quite effective.     

Neural Network Based Algorithm for Dynamic System Optimization

A class of artificial neural networks with a two‐layer feedback topology to solve nonlinear discrete dynamic optimization problems is developed. Generalized recurrent neuron models are introduced. A direct method to assign the weights of neural networks is presented. The method is based on Bellmann's Optimality Principle and on the interchange of information which occurs during the synaptic chemical processing among neurons. A comparative analysis of the computational requirements is made. The analysis shows advantages of this approach as compared to the standard dynamic programming algorithm. The technique has been applied to several important optimization problems, such as shortest path and control optimal problems.     

A Neural Network for Solving Nonlinear Programming Problems

A neural network for solving convex nonlinear programming problems is proposed in this paper. The distinguishing features of the proposed network are that the primal and dual problems can be solved simultaneously, all necessary and sufficient optimality conditions are incorporated, and no penalty parameter is involved. Based on Lyapunov, LaSalle and set stability theories, we prove strictly an important theoretical result that, for an arbitrary initial point, the trajectory of the proposed network does converge to the set of its equilibrium points, regardless of whether a convex nonlinear programming problem has unique or infinitely many optimal solutions. Numerical simulation results also show that the proposed network is feasible and efficient. In addition, a general method for transforming non-linear programming problems into unconstrained problems is also proposed. ID="A1" Correspondence and offprint requests to: Dr Z Chen, Department of Electronic Engineering, Brunel University, Uxbridge, Middle-sex, UK     

求解混合约束非线性规划的神经网络模型

通过巧妙构造Liapunov函数,提出一种大范围收敛的求解优化问题的连续神经网络模型.它具有良好的功能和性能,可以求解具有等式和不等式约束的非线性规划问题.该模型是Newton最速下降法对约束问题的推广,能有效地提高解的精度.即使对正定二次规划问题,它也比现有的模型结构简单.     

参数线性规划问题的新型光滑精确罚函数神经网络

针对不等式约束条件下,目标函数和约束条件中含有参数的线性规划问题,提出一种基于新型光滑精确罚函数的神经网络计算方法．引入误差函数构造单位阶跃函数的近似函数,给出一种更加精确地逼近于Ll精确罚函数的光滑罚函数,讨论了其基本性质;利用所提光滑精确罚函数建立了求解参数线性规划问题的神经网络模型,证明了该网络模型的稳定性和收敛性,并给出了详细的算法步骤．数值仿真验证了所提方法具有罚因子取值小、结构简单、计算精度高等优点．     

基于迭代神经动态规划的数据驱动非线性近似最优调节

利用数据驱动控制思想,建立一种设计离散时间非线性系统近似最优调节器的迭代神经动态规划方法.提出针对离散时间一般非线性系统的迭代自适应动态规划算法并且证明其收敛性与最优性.通过构建三种神经网络,给出全局二次启发式动态规划技术及其详细的实现过程,其中执行网络是在神经动态规划的框架下进行训练.这种新颖的结构可以近似代价函数及其导函数,同时在不依赖系统动态的情况下自适应地学习近似最优控制律.值得注意的是,这在降低对于控制矩阵或者其神经网络表示的要求方面,明显地改进了迭代自适应动态规划算法的现有结果,能够促进复杂非线性系统基于数据的优化与控制设计的发展.通过两个仿真实验,验证本文提出的数据驱动最优调节方法的有效性.     

A Novel Method to Handle Inequality Constraints for Convex Programming Neural Network

By modifying the multipliers associated with inequality constraints, we can directly solve convex programming problem without nonnegative constraints of the multipliers associated with inequality constraints, hence it is no longer necessary to convert the inequality constraints into the equality constraints by using the slack variables. With this technique, the neural network to solve convex programming problem is constructed, and its stability is analyzed rigorously. Simulation shows that this method is feasible.     

基于Hopfield神经网络的双线性离散系统最优控制

将基于二次型性能指标的离散双线性系统最优控制问题转化为动态规划问题，并用Hopfield神经网络（HNN）求解．该方法具有结构简单、易于硬件实现、求解速度快且能求得精确最优解等特点．在复杂系统的实时优化与控制等方面具有广阔的应用前景．     

基于模糊进化规划和分层方法的神经网络设计方法

本文提出一种模糊进化规划，用于前向神经网络的设计．该方法通过对神经元的部分解群体的进化，缩短了个体的编码长度，显著地减轻了计算量，同时这种方法不但能够在很大程度上简化适应值的计算，更重要的是能够降低适应值空间的复杂性，从而能够加速进化算法收敛到全局最优点．仿真结果显示，本文提出的算法能够有效抑制进化规划算法初期收敛的发生，有效地提高多层前向神经网络收敛精度，并可获得更为简洁的网络结构．     

神经网络结构的动态构筑方法

如何决定人工神经网络的适当规模,以往都是通过试探法实现,不但费时,而且无规律可循。文中基于神经网络的基本学习算法,构筑动态网络结构,使之更符合抽取的新的输入、输出特性。讨论了构筑动态神经网络的一种途径。学习是从最简单的网络(无隐含单元)开始,新的单元一步一步补充,直到网络给出一个满意的模拟值。