fa یک شبکه عصبی اصلاح شده کارا برای حل مسایل برنامه‌ریزی غیرخطی با محدودیت‌های هیبریدی تخصصي Special پژوهشي Research <span style="font-family:b zar;"><span style="font-size:12.0pt;">یک مدل شبکه عصبی کارا برای حل یک مساله بهینه‌‌سازی غیرخطی با محدودیت</span></span><span dir="LTR"><span style="font-size:12.0pt;">&shy;</span></span><span style="font-family:b zar;"><span style="font-size:12.0pt;">های هیبریدی ارایه می</span></span><span dir="LTR"><span style="font-size:12.0pt;">&shy;</span></span><span style="font-family:b zar;"><span style="font-size:12.0pt;">شود. بر مبنای شرایط بهینگی کاروش-کان-تاکر و مفاهیمی از آنالیز محدب و بهینه‌سازی، ابتدا یک مدل شبکه ارایه می</span></span><span dir="LTR"><span style="font-size:12.0pt;">&shy;</span></span><span style="font-family:b zar;"><span style="font-size:12.0pt;">شود. ثابت می</span></span><span style="font-family:b zar;"><span style="font-size:12.0pt;">‌</span></span><span style="font-family:b zar;"><span style="font-size:12.0pt;">شود که مدل شبکه عصبی ارایه شده پایدار لیاپانف بوده و همگرای سراسری به جواب مساله بهینه‌‌سازی اصلی می</span></span><span dir="LTR"><span style="font-size:12.0pt;">&shy;</span></span><span style="font-family:b zar;"><span style="font-size:12.0pt;">باشد. با ارایه چندین مثال عددی، کارایی مدل ارایه شده برای حل مساله بهینه‌‌سازی با محدودیت&shy;‌های هیبریدی نشان داده می</span></span><span style="font-family:b zar;"><span style="font-size:12.0pt;">‌</span></span><span style="font-family:b zar;"><span style="font-size:12.0pt;">شود.</span></span> This paper presents &lrm;&lrm;the optimization techniques for solving&lrm;&lrm; convex programming problems with hybrid constraints&lrm;.&lrm; According to the saddle point theorem&lrm;, &lrm;optimization theory&lrm;, &lrm;convex analysis theory&lrm;, &lrm;Lyapunov stability theory and LaSalle&lrm;&lrm;invariance principle&lrm;,&lrm; a neural network model is constructed&lrm;.&lrm; The equilibrium point of the proposed model is proved to be equivalent to the optimal &lrm;&lrm;solution of the original problem&lrm;. &lrm;It is also shown that the proposed network model is stable in the Lyapunov sense and it is globally convergent to an exact optimal solution of the original problem&lrm;. &lrm;Several practical examples are provided to show the feasibility and the efficiency of the &lrm;method. برنامه‌ریزی‌محدب, پایدار لیاپانوف, محدودیت‌های هیبریدی, شبکه عصبی, همگرای سراسری. Convex programming, Lyapunov stability, Hybrid constraints, Neural network, Globally convergent 1 20 http://jamlu.lahijan.iau.ir/browse.php?a_code=A-11-1399-2&slc_lang=fa&sid=1 A. Nazemi علیرضا ناظمی 10031947532846007015 10031947532846007015 No Faculty of Mathematical Sciences, Shahrood University of Technology, Shahrood, Iran دانشگاه صنعتی شاهرود، گروه ریاضی کاربردی، شاهرود S. Sukhtsaraee سمیرا سوخت سرایی 10031947532846007016 10031947532846007016 No Faculty of Mathematical Sciences, Shahrood University of Technology, Shahrood, Iran دانشگاه صنعتی شاهرود، گروه ریاضی کاربردی، شاهرود M. Mortezaee مرضیه مرتضایی 10031947532846007017 10031947532846007017 Yes Faculty of Mathematical Sciences, Shahrood University of Technology, Shahrood, Iran دانشگاه صنعتی شاهرود، گروه ریاضی کاربردی، شاهرود