Constraint
Latar belakang: Berbagai penelitian ilmiah dan aplikasi praktis dapat diselesaikan sebagai
masalah penyelesaian persamaan matriks [1-6]. Sebagai contoh, analisis stabilitas dan
gangguan untuk sistem kontrol dapat dilihat sebagai solusi dari persamaan matriks Sylvester
[1, 2]; sifat stabilitas dan / atau ketahanan dari sistem kontrol dapat diperoleh dari
penyelesaian persamaan matriks Lyapunov [4-6]. Oleh karena itu, solusi real-time untuk
persamaan matriks memainkan peran mendasar dalam berbagai bidang sains, teknik, dan
bisnis.
Adapun solusi persamaan matriks, banyak algoritma numerik telah diusulkan. Secara umum,
operasi aritmatika minimal dari algoritma numerik biasanya sebanding dengan kubus dimensi
matriks koefisien, yaitu, 𝑂 (𝑁3) [7]. Agar puas dengan kompleksitas yang rendah dan
persyaratan waktu-nyata, baru-baru ini, banyak jaringan saraf baru telah dieksploitasi
berdasarkan implementasi perangkat keras [2, 4, 5, 8-13]. Sebagai contoh, Tank dan Hopfield
(HNN) yang diusulkan [9], yang mempromosikan pengembangan jaringan saraf dalam
optimisasi dan masalah aplikasi lainnya. Wang dalam [10] mengusulkan semacam model
jaringan saraf berulang (RNN) untuk solusi online dari persamaan simultan linier dalam
metode desain Zhang, tipe baru model RNN diusulkan untuk solusi persamaan matriks-vektor
Dalam makalah ini, berdasarkan pada jaringan saraf Wang [10], kami menyajikan model saraf
berbasis gradien yang ditingkatkan untuk persamaan simultan linier, dan kemudian, model
kesetaraan. Banyak investigasi dan analisis pada jaringan saraf Wang telah dipresentasikan
dalam karya sebelumnya [10, 12, 13]. Untuk memanfaatkan penuh jaringan saraf Wang, kami
mentransformasikannya
Tujuan : Jaringan saraf berbasis gradien (GNN) ditingkatkan dan disajikan untuk
penyelesaian persamaan aljabar linier. Kemudian, model GNN seperti itu digunakan untuk
solusi daring pemrograman cembung kuadratik (QP) dengan kendala kesetaraan dalam
elektronik dari GNN seperti itu, diketahui bahwa kinerja GNN yang disajikan dapat
ditingkatkan dengan mengadopsi berbagai array fungsi aktivasi dan / atau parameter desain.
Hasil simulasi komputer membuktikan bahwa GNN seperti itu dapat memperoleh solusi
Selain itu, terinspirasi oleh metode desain jaringan saraf Zhang [2, 4, 5, 11, 12], jaringan saraf
berbasis gradien (GNN), yaitu, jaringan saraf Wang, ditingkatkan, dikembangkan, dan
diselidiki untuk solusi online dari pemrograman kuadratik cembung dengan penggunaan
fungsi Lagrangian dan kondisi Karush-KuhnTucker (KKT). Pada Bagian 5, hasil simulasi
komputer menunjukkan bahwa, dengan memperbaiki strukturnya, kita juga bisa mendapatkan
kinerja yang lebih baik untuk model jaringan saraf yang ada
Pembahasan :
Pada bagian ini, model jaringan saraf berbasis gradien (GNN) disajikan untuk persamaan
linear simultan:
𝐴𝑥 = 𝑏,
di mana matriks koefisien nonsingular 𝐴: = [𝑎𝑖𝑗] ∈ 𝑅𝑛 × 𝑛 dan vektor koefisien 𝑏: = [𝑏1, 𝑏2,
𝑏3,. . . , 𝑏𝑛] 𝑇 ∈ 𝑅𝑛 diberikan sebagai konstanta dan 𝑥 ∈ 𝑅𝑛 adalah vektor yang tidak
bernilai skalar dihargai 𝜀 (𝑥): = ‖𝐴𝑥 - 𝑏‖ 2/2 pertama kali dibangun, dan kemudian
berkembang di sepanjang arah penurunan dihasilkan dari fungsi energi seperti itu, kita bisa
mendapatkan model GNN linier untuk solusi aljabar linier (1); itu adalah,
𝑥 = −𝛾𝐴̇ 𝑇
(𝐴𝑥 − 𝑏) ,
di mana 𝛾> 0 menunjukkan parameter desain konstan (atau tingkat pembelajaran) yang
digunakan untuk skala tingkat konvergen. Untuk meningkatkan kinerja konvergensi jaringan
saraf, terinspirasi oleh jaringan saraf Zhang [2, 4, 5, 11, 12], model linier (2) dapat
𝑥 = −Γ𝐴̇ 𝐹 (𝐴𝑥 − 𝑏) ,
𝑇
skala tingkat konvergensi solusi. Untuk mempermudah, kita dapat menggunakan 𝛾𝐼 sebagai
pengganti Γ dengan 𝛾> 0 ∈ 𝑅 [4, 11]. Selain itu, aktivasi-fungsi-array 𝐹 (⋅): 𝑅𝑛 → 𝑅𝑛 adalah
pemetaan bernilai matriks, di mana setiap unit proses yang dinilai skalar 𝑓 (⋅) adalah fungsi
aneh yang meningkat secara monoton. Secara umum, empat tipe dasar fungsi aktivasi, linier,
daya, fungsi sigmoid, dan fungsi sigmoid, dapat digunakan untuk konstruksi pemecah saraf
[4, 11]. Perilaku dari keempat fungsi ini ditunjukkan pada Gambar 1, yang menunjukkan
bahwa kinerja konvergensi yang berbeda dapat dicapai dengan menggunakan fungsi aktivasi
yang berbeda. Selain itu, fungsi aktivasi baru juga dapat dibuat berdasarkan empat fungsi
aktivasi di atas. Adapun model saraf (3), kita memiliki teorema berikut
Teorema 1.
𝑅𝑛. Jika array fungsi aktivasi ganjil yang meningkat secara monoton mon (⋅) digunakan,
maka status struktural𝑥 (𝑡) model struktural (3), mulai dari keadaan awal 𝑥 (0) ∈ 𝑅𝑛, akan
Bukti. Biarkan kesalahan solusi 𝑥 (𝑡) = 𝑥 (𝑡) - 𝑥̂ ∗ (𝑡). Untuk singkatnya, argumen selanjutnya
di mana Γ = 𝛾𝐼 untuk kesederhanaan. Oleh karena itu, formulir entri dapat ditulis sebagai
𝑗=1 𝑗=1
Kemudian, untuk menganalisis subsistem (5), kita dapat mendefinisikan fungsi kandidat
Lyapunov sebagai V𝑖 (𝑡) = (𝑥̂𝑖2) / 2. Jelas, V𝑖 (𝑡)> 0 untuk 𝑥̂𝑖 = 0̸, dan V𝑖 (𝑡) = 0 hanya untuk
𝑥̂𝑖 = 0. Dengan demikian, fungsi kandidat Lyapunov V𝑖 (𝑡) adalah fungsi yang tidak negatif.
dimana (𝑎𝑖𝑗𝑥̂𝑗) Karena 𝑓 (⋅) adalah fungsi monoton yang aneh, kita memiliki we (−𝑢) = −𝑓
{ <0 if 𝑢 < 0
Oleh karena itu, 𝛾𝑦𝑇𝑓 (𝑦)> 0 jika 𝑦 = 0̸, dan 𝛾𝑦𝑇𝑓 (𝑦) = 0 jika dan hanya jika 𝑦 = 0. Dengan
kata lain, turunan-waktu V̇𝑖 (𝑡) = −𝛾𝑦𝑇𝑓 (𝑦) tidak positif untuk setiap 𝑦. Ini dapat menjamin
bahwa V̇𝑖 (𝑡) adalah fungsi pasti-negatif. Dengan teori Lyapunov [14, 15], setiap entri
kesalahan solusi 𝑥̂𝑖 dalam subsistem (5) dapat konvergen ke nol; yaitu, 𝑥̂𝑖 → 0. Ini berarti
kesalahan solusi 𝑥 (𝑡) = ̂ 𝑥 (𝑡) - 𝑥 ∗ → 0 seiring waktu 𝑡 → ∞. Oleh karena itu, keadaan saraf
𝑥 (𝑡) dari model saraf (3) dapat bertemu dengan solusi unik 𝑥 ∗ = 𝐴 − 1𝑏 dari persamaan
linear (1). Bukti pada konvergensi model saraf (3) dengan demikian selesai.
Kesimpulan : Atas dasar jaringan saraf Wang, jaringan saraf berbasis gradien yang
ditingkatkan telah disajikan untuk solusi dari masalah pemrograman kuadratik cembung
secara real-time. Dibandingkan dengan tiga fungsi aktivasi lainnya, fungsi power-sigmoid
adalah pilihan terbaik untuk kinerja konvergensi yang unggul. Hasil simulasi komputer
semakin membuktikan bahwa model GNN yang disajikan dapat menyelesaikan masalah QP
cembung dengan akurasi dan efisiensi, dan kinerja konvergensi dapat diperoleh dengan