چکیده: با پیشرفت فنآوری اطلاعات و ارتباطات و توسعه ارتباط درون سازمانی و بین سازمانی نیاز به استفاده از مدلهای بهینهسازی را برای استفاده منطقی از دادهها و اطلاعات فراهم شده گسترش داده است. این مطلب متضمن بزرگ شدن اندازه مسائل بهینهسازی که در عمل وجود دارند خواهد بود. در این شرایط لزوم به کارگیری روشهای کارآمدی که بتوانند با سرعت بالا مسائل بسیار بزرگ را با کیفیت قابل قبول حل کنند بیش از بیش احساس میشود. در چند دهه اخیر روشهای بهینهسازی که بر پایه رویکرد هوش مصنوعی توسعه یافتهاند، موفقیتهای چشمگیری در حل مؤثر وکارای مسائل بهینهسازی بهدست آوردهاند‎.‎ روشهایی چون الگوریتم ژنتیک، جستوجوی ممنوع، شبیهسازی تبریدی، شبکه عصبی و... قابلیتهای خود را در حل مسائل بزرگ عملی به خوبی نشان دادهاند‎. امتیازات ویژهی موجود در شبکههای عصبی امکان کاربرد آنها را در حوزهوسیعی از تحقیقات فراهم ساخته است. از جمله آن امتیازات میتوان به امکان یادگیری و بهبود عملکرد براساس دادههای ورودی اشاره کرد. همچنین امکان انجام محاسبات به صورت موازی در شبکههای عصبی امتیاز دیگری است که با توجه به گسترش سختافزارهای موازی، امکان حل مسائل بسیار بزرگ را توسط این رویکرد ممکن میسازد‎. در این پایاننامه یک مدل شبکه عصبی بازگشتی برای حل ردهای از مسائل بهینهسازی مشتق ناپذیر ارائه میشود. تحلیل وجود یکتایی، پایداری و همگرای سراسری جوابها مورد بررسی قرار میگیرند و عملکرد روشهای ارائه شده با به کارگیری چند مثال از مسائل برنامهریزی مشتق ناپذیر نشان داده میشود‎. در انتها نتایج کار و پیشنهاداتی برای کارهای آتی ارائه میدهیم.