Documents disponibles écrits par cet auteur

Development and analysis of a neural dynamical approach to nonlinear programming problems / Xia, Youshen in IEEE transactions on automatic control, Vol. 52 N°11 (Novembre 2007) 

Public ISBD [article]  in IEEE transactions on automatic control > Vol. 52 N°11 (Novembre 2007) . - 2154-2159 p. Titre : Development and analysis of a neural dynamical approach to nonlinear programming problems Titre original : Développement et analyse d'une approche dynamique neurale aux problèmes de programmation non linéaire Type de document : texte imprimé Auteurs : Xia, Youshen, Auteur ; Kamel, Mohamed, Auteur ; Feng, Gang, Auteur Article en page(s) : 2154-2159 p. Note générale : Automatique Langues : Anglais (eng) Mots-clés : Global  convergence  Neural  dynamical  optimization  approach  Nonconvex  programming  Convergence  globale  Approche  dynamique  neurale  d'optimisation  Programmation  non  convexe Index. décimale : 629.8 Résumé : This technical note develops a neural dynamical approach to nonlinear programming (NP) problems, whose equilibrium points coincide with Karush-Kuhn-Tucker points of the NP problem. A rigorous analysis on the global convergence and the convergence rate of the proposed neural dynamical approach is carried out under the condition that the associated Lagrangian function is convex. Analysis results show that the proposed neural dynamical approach can solve general convex programming problems and a class of nonconvex programming problems. Two nonconvex programming examples are provided to demonstrate the performance of the developed neural dynamical approach. Cette note technique développe une approche dynamique neurale aux problèmes de programmation non linéaire (le NP), dont les points d'équilibre coïncident avec des points de Karush-Kuhn-Tucker du problème du NP. Une analyse rigoureuse sur la convergence globale et le taux de convergence de l'approche dynamique neurale proposée est effectuée dans la condition que la fonction de Langrange associée est convexe. Les résultats d'analyse prouvent que l'approche dynamique neurale proposée peut résoudre des problèmes généraux de programmation convexe et une classe des problèmes de programmation non convexes. Deux exemples de programmation non convexes sont fournis pour démontrer l'exécution de l'approche dynamique neurale développée. DEWEY : 629.8 RAMEAU : Programmation non convexe En ligne : ysxia2001@yahoo.com, megfeng@citye.edu.hk, mkamel@pami.uwaterloo.ca [article] Development and analysis of a neural dynamical approach to nonlinear programming problems = Développement et analyse d'une approche dynamique neurale aux problèmes de programmation non linéaire [texte imprimé] / Xia, Youshen, Auteur ; Kamel, Mohamed, Auteur ; Feng, Gang, Auteur . - 2154-2159 p. Automatique Langues : Anglais (eng) in IEEE transactions on automatic control > Vol. 52 N°11 (Novembre 2007) . - 2154-2159 p. Mots-clés : Global  convergence  Neural  dynamical  optimization  approach  Nonconvex  programming  Convergence  globale  Approche  dynamique  neurale  d'optimisation  Programmation  non  convexe Index. décimale : 629.8 Résumé : This technical note develops a neural dynamical approach to nonlinear programming (NP) problems, whose equilibrium points coincide with Karush-Kuhn-Tucker points of the NP problem. A rigorous analysis on the global convergence and the convergence rate of the proposed neural dynamical approach is carried out under the condition that the associated Lagrangian function is convex. Analysis results show that the proposed neural dynamical approach can solve general convex programming problems and a class of nonconvex programming problems. Two nonconvex programming examples are provided to demonstrate the performance of the developed neural dynamical approach. Cette note technique développe une approche dynamique neurale aux problèmes de programmation non linéaire (le NP), dont les points d'équilibre coïncident avec des points de Karush-Kuhn-Tucker du problème du NP. Une analyse rigoureuse sur la convergence globale et le taux de convergence de l'approche dynamique neurale proposée est effectuée dans la condition que la fonction de Langrange associée est convexe. Les résultats d'analyse prouvent que l'approche dynamique neurale proposée peut résoudre des problèmes généraux de programmation convexe et une classe des problèmes de programmation non convexes. Deux exemples de programmation non convexes sont fournis pour démontrer l'exécution de l'approche dynamique neurale développée. DEWEY : 629.8 RAMEAU : Programmation non convexe En ligne : ysxia2001@yahoo.com, megfeng@citye.edu.hk, mkamel@pami.uwaterloo.ca