求解极小l_1模和极小l_∞模的神经网络

将极小l_１模和极小l_∞模问题同时映射到一个易于电路实现的神经网络模型上［１］，利用该网络，可获得极小ι１模和极小ι∞模问题的实时最优解。     

最大差值极小化的响应面函数拟合方法

 为了满足实际工程问题中响应函数与样本值最大距离极小化的需求,本文提出一种新的响应面函数的拟合方法。该方法将样本点的响应面函数拟合问题转换为求解一类线性规划问题。建立数学模型,采用数值方法拟合出一次和二次响应面函数的表达式。通过多个数值算例,与K-S函数法实现最大差值极小化拟合的响应面函数结果以及最小二乘法拟合响应面结果进行比较,本文方法均得到较小的最大离差值,结果表明该方法的可行性和有效性,丰富了响应面的构造方法。     

求解非线性规划问题的拟合算法

文章讨论非线性规划问题，借助于函数拟舍的思想，建立了问题的一个初始点任意的线性收敛的新算法，在新算法的每次迭代中，下降方向是从函数的拟合中得到，而不是由传统的拟牛顿方程得到，并且在较弱的假设下证明算法是线性收敛的．     

求解线性规划问题的神经网络模型

提出了一个解线性规划问题了增广的神经网络模型，证明了该网络全局稳定子平衡点，而平衡点就是线性规划问题的解，该网络的优点是，能够实时获得问题的精确解，且可以同时获得带等式或不等式约束的对偶问题解，该网络易于电路实现。     

求解凸不等式组问题的神经网络方法

考虑了凸不等式组问题,通过将其转化为一个极大极小问题,进而转化为等价的凸规划问题,提出了求解它的一个神经网络模型。并严格证明了该模型是Lyapunov稳定的,且在有限时间内收敛到原问题的一个精确解。     

一类推广的整数极小极大问题的求解算法

讨论了一类推广的整数极小极大问题，给出了问题最优解的充分必要条件，在此基础上给出了求解最优解的算法，最后，给出了一个数值例子。     

求解有限马氏决策问题的神经网络方法

在有限马尔可夫决策过程的线性规划求解方法以及神经网络算法的基础上提出了运用神经网络求解有限马尔可夫决策问题的方法．并通过算例验证了该方法的有效性．     

一类半无限极大极小问题的神经网络

本文考虑了一类半无限极大极小问题。首先将它等价转化为半无限非线性规划模型,再使用ku-hn-Tuckey条件、射影定理等,提出了求解它的一个神经网络模型。最后严格说明了该模型是Lyapunov稳定的,并收敛到原问题的一个精确解。     

极小极大拟合准则下的在线参数估计方法

提出一种采用极小极大拟合准则的实用的在线参数估计方法。为此采取了两条有效措施。第一，将在线辨识中最常用的遗忘因子引入极小极大拟合准则；第二，通过研究有关的极小极大优化问题的对偶问题设计在线递推算法。前者使推广后的极小极大拟合准则具有追踪时变参数的能力，后者则为构造实用的在线递推算法提供了可行的途径。大量仿真研究表明，提出的在线参数估计方法具有较好的性能。     

求解极小l1模问题的修正Bland规则

改进了Bland规则，给出了一个解极小l1模问题的有效算法。     

求解弹塑性有限元问题的神经网络方法

利用神经网络优化计算原理,引入LPNN(Lagrange Programming Neural Network)模型求解弹塑性有限元问题.通过采用非线性函数作为神经元的传递函数,使神经网络的非线性问题同力学的非线性问题得到统一.对两个简单的弹塑性问题进行了数值仿真,计算结果表明了该方法的正确性及有效性.     

神经网络在二次规划问题中的应用

利用对偶神经网络解决了基于线性等式、 不等式和有 界约束的二次规划问题, 表明所研究的对偶神经网络具有整体指数收敛性, 与包含高次非线性条件的神经网络相比, 所提出的网络使用了更少的神经元, 并且网络的体系结构更简单.数值实验结果表明了该方法的有效性.     

解最小一乘问题的递归神经网络

应用鞍点理论和投影算子的性质,给出了一种递归神经网络求解具有线性约束的最小一乘问题,证明了此神经网络全局收敛于一个最优解.数值实验表明,用本文的方法求解最小一乘问题是切实可行的.     

基于L1范数的总变分正则化超分辨率图像重建

设计了一种基于L1范数的总变分正则化超分辨率图像序列重建算法.采用L1范数对重建图像保真度进行约束,利用总变分正则化克服重建问题的病态性,有效地保持了图像的边缘并且提高了运算速度;运用设计的算法对模拟的低分辨率图像序列进行重建,分别从主观效果和客观衡量指标两方面与基于L2范数的总变分正则化的超分辨率重建结果进行比较,实验结果表明该算法在保持图像边缘的同时,提高了超分辨率重建算法的运算速度.     

一类线性互补问题的神经网络求解

本文提出了一种求解一类线性互补问题的神经网络模型，并从理论上予以了严格证明。最后给出了一个应用实例。     

二次最小化问题的有限时间递归神经网络求解

利用一类递归神经网络模型来求解二次最小化问题,在该模型的基础上加入双符号幂激励函数,以加快递归神经网络的收敛速度,甚至达到有限时间收敛.通过调节设计参数λ的取值,递归神经网络的收敛性能可进一步提高.利用MATLAB软件对有限递归神经网络模型进行仿真,数值仿真结果验证了模型求解二次最小化问题的有效性和优越性.     

用改进的噪声混沌神经网络模型求解组合优化问题

混沌模拟退火方法（CSA）在解决组合优化问题时有很强的搜索能力。其中系数α代表能量函数对动态性的影响，α太大，能量函数影响太强，以至于无法得到暂态混沌现象，α太小，能量函数的影响太弱，从而无法收敛到最优解。提出了一种自适应参数动态调整方法，随着能量函数的逐渐减小，通过加大α，保持能量函数在整个搜索过程中对搜索动态性保持一定的影响，从而加快搜索速度，同时保持搜索的精度。计算机仿真结果表明，在保持和增强搜索能力的同时，文中动态参数算法所用时间与现有的算法相比可以减少20％－50％。     

非线性方程组的一种神经元网络解法

本文从最优化原理出发,提出了一种适合于非线性方程组求解的神经元网络方法,把它应用到AR和MA模型参数估计中,取得了满意的结果.由于该方法采用了自适应变权连续Hopfield神经元网络,具有速度快、精度高等特点.