محققان در چهل سال گذشته حل کننده های دینامیکی مختلفی برای اسم مسائل برنامه ریزی خطی، درجه دوم ومحدب پیشنهاد کرده اند. برای این منظور می توان به مراجع ]12[ - ]1[ رجوع کرد. برای حل مسائل بهینه سازی ابتدا روش سیستمهای دینامیکی توسط پینه1 پیشنهاد شد(]1[ ) و بعدها توسط ریباشف2، کارپنسکایا3 و دیگران مورد مطالعه قرارگرفت(]2[ و ]3[). جدیداً به انگیزه علاقه به نوگرایی در شبکه های عصبی، چندین شبکه عصبی اسم کننده دینامیکی پایه ای را پیشنهاد کرده اند که می استطاعت در منابع ]4[، ]5[، ]6[، ]7[، ]8[، ]9[،]10[ و ]11[ این موضوع را مشاهده کرد. اسم کننده های دینامیکی برای مسائل بهینه سازی بخصوص برای تقاضاهایی در مدت زمان حاضر با تابع هدف وابسته به سمت زمان، مانند بهینه سازی خطی برای ساخت آدمکهای مصنوعی یا هدایت ماهواره مفید هستند(به منبعها ]5[ و ]6[ مراجعه کنید). به هر جهت، سرعت همگرایی، پایداری و پیچیدگی و معماری از نشانه های ویژه اسم کننده های جوراجور می باشد. ضمیر اول شخص جمع در این بخش سه گروه مختلف از مدلهای شبکه عصبی برای اسم مسائل LP را مطالعه می کنیم ما هر امت را از نظر پیچیدگی مدل، پیچیدگی بند های عصبی و دقت جوابها مقایسه می کنیم. علت اشتیاق ما به مسائل LP این است که آنها در بیشتر مسائل بهینه سازی مقید کاربرد دارند. عملاً LP تقاضاهای زیادی در تمام زمینه های تولید مانند: اقتصاد، اجتماع و نقشه کشی پیشرفته دارد.در سال 1947، دانتزیگ روشی برای اسم مسائل LP انبساط انصاف که امروزه به روش سیمپلکس شهرت دارد ]14[. برای اولین بار در واحد زمان ( 1951، بیرون 4 و کوپمنز5 روشهای نشانه درونی را برای اسم برنامه ریزی خطی تشریح کردند ]15[.
.1Pyne
.2 Rybashv
.3 Karpiskaya
.4 Brown
.5 Koopmans
خاچیان1 نشان داد که مسائل LP درچند جمله ای زمانی با استعمال از روش بیضی شبیه به خود آنها قابل حل هستند]16[. در تمام صورت محاسبه آزمایشات حرف الگوریتم بیضی نشان داد که آن یک روش عملی برای روش سیمپلکس نیست. جدیداً کارمارکار2 این نظریه را بسط داد که بنظر می جوخه این روش الگوریتم روی بعضی مسائل پیچیده موجود مانند برنامه ریزی کردن مسیریابی و اطلس کشی از روش سیمپلکس اثر بیشتری دارد ]17[. روش سمپلکس یک روش طبقه بندی شده مانند روش نقطه خارجی می باشد و روش کارمارکار یک روش طبقه بندی شده بسان روش نقطه درونی می باشد. جدیداً گیل3 آرم داد که تمام خانواده روشهای نقطه درونی می توانند نتایج کلاسیک از برنامه ریزی غیر خطی را مشخص کنند که دو روش کلاسیک از برنامه ریزی غیر خطی روش تابع پنالتی و روش چاه هستند ]18[. کان4 روشهای تئوری را برای اسم مسائل برنامه ریزی خطی با استفاده از ترکیب بهینه سازی نامقید و روشهای تابع پنالتی بسط داد. همانطوری که بوسیله ترفیتن5 ]19[ ذکر شد مسائل LP (برنامه ریزی خطی) از نظر ریاضی محدود(متناهی) می باشند و روش سیمپلکس (مدل سادکی) که برای حل آنها بکار می رود یک الگوریتم متناهی است. ازطرف دیگر الگوریتم تکراری کارمارکار و الگوریتمهای کان نامحدودند و گاهی دوران الگوریتم سیمپلکس را منسوخ (باطل) می کند. شبکه های عصبی که بعنوان الگوریتمهای نامتناهی باب نظر گرفته می شوند برای حل مسائل برنامه ریزی خطی بکار اسیر می شوند. الگوریتمهای نامتناهی بعضی اوقات می توانند بهتر از الگوریتمهای متناهی برای مسائل متناهی باشند.