| 中文摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-13页 |
| ·概述 | 第8页 |
| ·国内外研究动态 | 第8-11页 |
| ·适应值预测方法的研究动态 | 第8-10页 |
| ·微粒群算法的研究背景和现状 | 第10-11页 |
| ·本文的主要内容 | 第11-13页 |
| 第二章 微粒群算法 | 第13-20页 |
| ·标准微粒群算法 | 第13-14页 |
| ·标准微粒群算法流程 | 第14-16页 |
| ·微粒群算法的设计原则与步骤 | 第16-17页 |
| ·与其它进化算法的比较 | 第17-20页 |
| 第三章 基于人工神经网络的求解随机优化问题的混合智能算法 | 第20-31页 |
| ·人工神经网络 | 第20-24页 |
| ·神经元模型 | 第20-21页 |
| ·神经网络结构及工作方式 | 第21页 |
| ·神经网络的学习方法 | 第21-22页 |
| ·径向基函数神经网络 | 第22页 |
| ·广义回归神经网络 | 第22-24页 |
| ·求解随机优化问题的混合智能算法 | 第24-26页 |
| ·算法思想 | 第24-25页 |
| ·算法流程 | 第25-26页 |
| ·实例仿真 | 第26-29页 |
| ·测试函数及其参数设置 | 第26-29页 |
| ·结果分析 | 第29页 |
| ·小结 | 第29-31页 |
| 第四章 基于 Kriging 模型的求解随机优化问题的有效算法 | 第31-38页 |
| ·Kriging 模型 | 第31-34页 |
| ·区域化变量 | 第31-32页 |
| ·协方差函数 | 第32页 |
| ·变异函数 | 第32页 |
| ·普通Kriging 模型 | 第32-34页 |
| ·求解随机优化问题的有效算法 | 第34-35页 |
| ·算法思想 | 第34页 |
| ·算法流程 | 第34-35页 |
| ·实例仿真 | 第35-37页 |
| ·测试函数及其参数设置 | 第35-37页 |
| ·结果分析 | 第37页 |
| ·小结 | 第37-38页 |
| 第五章 总结与展望 | 第38-39页 |
| 参考文献 | 第39-46页 |
| 攻读硕士学位期间发表的学术论文 | 第46-47页 |
| 致谢 | 第47-48页 |