شبکه‌های عصبی مصنوعی مورد استفاده در مسایل بهینه‌سازی

مسایل بهینه‌سازی اغلب نیازمند استفاده از روش‌های بهینه‌سازی است که به حداقل رساندن یا ماکزیمم سازی توابع عینی مشخصی اجازه می‌دهد. گاهی مشکلاتی که باید بهینه شوند خطی یا چند جمله‌ای نیستند که نمی‌توانند به طور دقیق حل شوند، و آن‌ها باید تقریب زده شوند.در این موارد، بکارگیری شیوه‌های اکتشافی، که قادر به حل این نوع مشکلات هستند، ضروری است.برخی از الگوریتم ها محدودیت‌های و توابع عینی را در نقطه خاصی از فضا با اعمال مشتقات و مشتقات جزیی برای برخی موارد اعمال می‌کنند، در حالی که در سایر موارد، الگوریتم‌های تکاملی برای تقریب زدن راه‌حل مورد استفاده قرار می‌گیرند.این کار استفاده از شبکه‌های عصبی مصنوعی را برای تقریب تابع هدف در مسایل بهینه‌سازی پیشنهاد می‌کند تا بتوان از روش‌های دیگر برای حل مشکل استفاده کرد.تابع هدف با یک رگرسیون غیر خطی تقریب زده می‌شود که می‌تواند برای حل یک مساله بهینه‌سازی مورد استفاده قرار گیرد.مشتق تابع هدف جدید باید چند جمله‌ای باشد به طوری که جواب مساله بهینه‌سازی را می توان محاسبه کرد.

Optimization problems often require the use of optimization methods that permit the minimization or maximization of certain objective functions. Occasionally, the problems that must be optimized are not linear or polynomial; they cannot be precisely resolved, and they must be approximated. In these cases, it is necessary to apply heuristics, which are able to resolve these kinds of problems. Some algorithms linearize the restrictions and objective functions at a specific point of the space by applying derivatives and partial derivatives for some cases, while in other cases evolutionary algorithms are used to approximate the solution. This work proposes the use of artificial neural networks to approximate the objective function in optimization problems to make it possible to apply other techniques to resolve the problem. The objective function is approximated by a non-linear regression that can be used to resolve an optimization problem. The derivate of the new objective function shoul