کاربرد روش شبکه های عصبی برای حل مساله تخصیص تعمیم یافته
Abstract(in Persian; no English abstract is available)
مساله تخصیص تعمیم یافته یک مساله بهینه سازی ترکیبی معروف است که در آن هدف حداقل کردن هزینه تخصیص شغل ها به افراد است . به طوری که هر شغل تنها به یک نفر داده شده و به هیچ فردی بیش از ظرفیت آن کار داده نشود. این مساله دارای کاربردهایی مانند تعیین مسیر وسائل نقلیه ، تخصیص کا ربه کامپیوترهای موجود در یک شبکه کامپیوتری ، برنامه ریزی منبع ، طراحی شبکه های ارتباطات ، برنامه ریزی برای طول آگهی های تجاری تلویزیون و ... دارد. در این پایان نامه ، روشهای مختلفی که برای حل مسئله تخصیص تعمیم یافته در ادبیات تحقیق در عملیات بیان شده مورد بررسی و تحلیل قرار می گیرد. سپس روش شبکه های عصبی هاپفیلد را به عنوان یک روش حل بلادرنگ مورد بررسی انتقادی قرار می دهیم و روش های آبه در 1992 و گال و زیسیمپولوس در 1999 ، به عنوان آخرین توسیع های مدل هاپفیلد مورد مطالعه قرار می گیرند. در ادبیات شبکه های عصبی هاپفیلد تنها روش تابع جریمه خارجی برای تبدیل مسائل بهینه سازی با محدویت به بدون محدویت به کار برده شده است . در این پایان نامه ما روشهای تابع جریمه داخلی ، تابع جریمه خارجی ، دوآل لاگرانژین افزوده به جای روش تابع جریمه خارجی موجود در مدل آبه نتایج بهتری نسبت به مدل های آبه و گال حاصل می گردد.