Solving Linear Semi-Infinite Programming Problems using Recurrent Neural Networks

برنامه‌ريزي خطي نيمه نامتناهي، دسته‌ي مهمي از مسايل بهينه‌سازي است كه بي‌نهايت قيد را شامل مي‌شود. در اين مقاله، براي حل اين دسته مسايل، يك روش گسسته‌سازي با يك روش شبكه عصبي تركيب شده است. با يك گسسته‌سازي ساده، مسيله برنامه‌ريزي خطي نيمه نامتناهي به يك مسيله برنامه‌ريزي خطي تبديل شده است. سپس از يك مدل شبكه عصبي بازگشتي با يك ساختار ساده بر اساس يك سيستم ديناميكي، براي حل مسيله مورد استفاده قرار گرفته است. مسيله انتخاب پورت فوليو و چند مثال عددي ديگر براي نشان دادن كارآمدي مدل ارايه شده، مطرح گرديده است.

‎Linear semi-infinite programming problem is an important class of optimization problems which deals with infinite constraints‎. ‎In this paper‎, ‎to solve this problem‎, ‎we combine a discretization method and a neural network method‎. ‎By a simple discretization of the infinite constraints,we convert the linear semi-infinite programming problem into linear programming problem‎. ‎Then‎, ‎we use a recurrent neural network model‎, ‎with a simple structure based on a dynamical system to solve this problem‎. ‎The portfolio selection problem and some other numerical examples are solved to evaluate the effectiveness of the presented model