二次规划是一类非常重要的数学规划问题,广泛应用在许多不同的学科和工程领域中,例如投资组合问题,混合流水车间调度问题,调水决策和水分配问题以及数据挖掘领域中的最优化等问题,它一直是运筹学的重点研究领域之一。随着科学技术的发展和求解实际中复杂决策问题的迫切需要,对中大规模二次规划问题高性能算法的研究就显得尤为重要,并正成为最优化领域的一个研究热点。　　众所周知,人工神经网络是由大量简单的基本元件——神经元相互连接,通过模拟人的大脑神经处理信息的方式,进行信息并行处理和非线性转换的复杂网络系统.由于神经网络具有强大的学习功能,同时具有平行与分布式特征,可以轻松的实现非线性映射过程,并且具有大规模并行计算能力。因此,神经网络方法为优化问题的计算提供了一条新的途径,并已成为求解最优化问题的重要方法之一。1985年,Hopfield J.J和Tank D.W首先利用神经网络成功解决了TSP(Traveling Salesman Problem)问题。此后,人们提出了许多神经网络模型,并将它们应用于线性规划和非线性规划中。Kennedy M.P和Chua L.O于1988年对 Hopfield神经网络进行了推广,同时结合梯度方法和罚函数方法,构造了一种求解非线性规划的神经网络模型;Bouzerdoum A和Pattison T.R基于梯度法和投影法,提出了一类用于求解带边界约束的二次规划的神经网络模型;Rodríguez-Vázquez A et al。提出了一种神经网络用于求解非线性凸规划;Wang Jun和Xia Y.S基于对偶法和梯度法,提出了几类神经网络模型用于求解线性规划和二次规划。　　本文主要基于投影算子的性质和0.618法及Fibonacci法的基本思想,结合神经网络的结构特性,借助 Matlab中的优化工具箱,对利用神经网络求解凸二次规划和广义凸规划问题展开研究。本文主要内容如下:　　第一章绪论部分,对最优化问题的产生和发展及二次规划模型和其研究现状做了简短的概述,并对神经网络的研究发展做了简要回顾,并概述了本文的主要工作。　　第二章构造了连续型神经网络求解凸二次规划问题,结合投影算子可用逐段激励函数来实现的特性,给出了一种求解凸二次规划的初始神经网络,并证明了其全局指数稳定性,最后通过仿真实验验证了所构造神经网络的有效性。　　第三章研究了构造离散型神经网络求解凸二次规划的神经网络学习算法,利用0.618法和Fibonacci法的基本思想,结合神经网络的结构特性,给出了一种求解凸二次规划的神经网络学习算法,最后通过仿真实验验证了新算法的有效性。　　第四章研究了基于0.618法和Fibonacci法求解广义凸规划的神经网络学习算法,利用0.618法和Fibonacci法的基本思想,结合神经网络的结构特性,提出了一种求解广义凸规划的神经网络学习算法,为广义凸规划问题的求解提供了一个新途径,最后通过仿真实验验证了新算法的有效性。　　最后对本文进行了一个全面的总结,并对利用神经网络求解优化问题的研究进行了展望。