.png){kind=icon}
返回
FT-GPNN: A finite-time convergence solution for multi-set constrained optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2025.113030.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
梯度神经网络（GNNs）在处理优化问题上已展现出显著进展。然而，将GNNs应用于多约束优化问题，尤其是涉及多集约束的问题时，存在若干挑战。这些挑战源于推导的复杂性和约束数量的增加。随着约束数量的增加，优化问题变得更为复杂，使得基于GNN的方法更难有效识别最优解。为应对这些挑战，本文引入了有限时间梯度投影神经网络（FT-GPNN）以解决多集约束优化（MCO）问题。这一创新性方案整合了增强型符号双幂（ESBP）激活函数，并针对MCO进行了简化的专门设计。此外，在李雅普诺夫稳定性框架下，通过严格的局部收敛性证明，强化了该模型的理论基础。在此基础上，我们进一步证明了该模型可实现有限时间收敛。为验证本方法的有效性，我们呈现了在一致条件下进行的数值实验的实证结果。值得注意的是，实验表明，采用ESBP激活函数的模型在有限时间收敛方面优于其他方法。
Keyword:
Gradient neural networks
Gradient projection
Multi-set constrained optimization
Lyapunov stability
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
暂无机构信息
引用论文
.png){kind=icon}
查看更多内容