| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第8-10页 |
| 术语表 | 第10-12页 |
| 1 绪论 | 第12-24页 |
| ·引言 | 第12页 |
| ·粒子群算法研究现状 | 第12-20页 |
| ·粒子群算法综述 | 第13-16页 |
| ·统一粒子群算法 | 第16-17页 |
| ·自适应粒子群算法 | 第17-19页 |
| ·全面学习粒子群算法 | 第19-20页 |
| ·动态优化研究现状 | 第20-22页 |
| ·传统动态优化方法 | 第21页 |
| ·基于进化算法的动态优化方法 | 第21-22页 |
| ·本文的研究内容和组织结构 | 第22-24页 |
| ·本文主要研究内容 | 第22-23页 |
| ·本文组织结构 | 第23-24页 |
| 2 全局与局部全面学习粒子群算法研究 | 第24-42页 |
| ·引言 | 第24页 |
| ·全局与局部全面学习粒子群算法 | 第24-40页 |
| ·全面学习策略 | 第24-25页 |
| ·全局与局部粒子速度更新模型 | 第25-26页 |
| ·粒子动态邻域重组与学习概率分配 | 第26-29页 |
| ·测试算例与实验配置 | 第29-31页 |
| ·仿真测试结果 | 第31-40页 |
| ·本章小结 | 第40-42页 |
| 3 基于动态邻域与全面学习的统一粒子群算法研究 | 第42-62页 |
| ·引言 | 第42页 |
| ·基于动态邻域与全面学习的统一粒子群算法 | 第42-53页 |
| ·算法设计与分析 | 第43-45页 |
| ·测试算例与实验配置 | 第45-47页 |
| ·仿真测试结果 | 第47-49页 |
| ·算法收敛速度分析 | 第49-53页 |
| ·算法主要模块分析 | 第53-56页 |
| ·自适应混合策略 | 第53-54页 |
| ·精英学习策略 | 第54-55页 |
| ·全面学习改进算法与动态邻域策略 | 第55-56页 |
| ·算法参数分析 | 第56-61页 |
| ·学习项重组阈值 | 第56-57页 |
| ·种群重组频率 | 第57-58页 |
| ·学习项重组范围选择比例 | 第58页 |
| ·粒子局部邻域大小 | 第58-59页 |
| ·算法时间复杂度 | 第59-61页 |
| ·本章小结 | 第61-62页 |
| 4 粒子群算法在动态优化中的应用 | 第62-86页 |
| ·引言 | 第62页 |
| ·动态优化 | 第62-64页 |
| ·问题描述 | 第62-63页 |
| ·动态优化常用算法 | 第63-64页 |
| ·基于粒子群算法的动态优化 | 第64-69页 |
| ·控制变量参数化 | 第64-65页 |
| ·约束处理 | 第65-67页 |
| ·测试算例与实验配置 | 第67-68页 |
| ·仿真结果与分析 | 第68-69页 |
| ·基于粒子群算法与局部搜索算法的二阶段搜索 | 第69-73页 |
| ·阶段搜索框架 | 第70页 |
| ·梯度计算方法 | 第70-72页 |
| ·时间尺度化方法 | 第72-73页 |
| ·基于Logistic回归分类器的自适应粒子群算法 | 第73-77页 |
| ·Logistic回归分类器 | 第73-74页 |
| ·基于Logistic回归分类器的自适应决策模型 | 第74-76页 |
| ·训练样本与模型训练 | 第76-77页 |
| ·基于Logistic回归分类器的混合算法应用 | 第77-84页 |
| ·分泌蛋白间歇式反应器的最优控制问题 | 第77-78页 |
| ·异性蛋白产量最优化问题 | 第78-80页 |
| ·连续搅拌釜反应器最优控制问题 | 第80-81页 |
| ·算法性能分析与讨论 | 第81-84页 |
| ·本章小结 | 第84-86页 |
| 5 总结与展望 | 第86-88页 |
| ·总结 | 第86-87页 |
| ·展望 | 第87-88页 |
| 参考文献 | 第88-94页 |
| 作者简介 | 第94页 |
| 攻读硕士学位期间取得的科研成果 | 第94页 |