| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-18页 |
| 1.1 课题研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国内外研究现状分析 | 第11-13页 |
| 1.2.2 研究现状存在的问题及解决方法 | 第13-14页 |
| 1.3 研究内容和目标及拟解决的关键问题 | 第14-15页 |
| 1.3.1 研究内容和目标 | 第14-15页 |
| 1.3.2 解决的关键问题及解决方法 | 第15页 |
| 1.4 拟采取的研究方法与技术路线 | 第15-18页 |
| 1.4.1 拟采用的研究方法 | 第15-16页 |
| 1.4.2 拟采取的技术路线 | 第16-18页 |
| 2 情绪认知函数优化算法研究 | 第18-34页 |
| 2.1 情绪认知理论 | 第18-20页 |
| 2.1.1 情绪与认知的定义 | 第18-19页 |
| 2.1.2 情绪与认知的关系 | 第19-20页 |
| 2.2 ECOA算法设计 | 第20-24页 |
| 2.2.1 算法场景设计 | 第20-21页 |
| 2.2.2 行为选择算子设计 | 第21-22页 |
| 2.2.3 选择概率算子设计 | 第22-24页 |
| 2.3 ECOA算法步骤 | 第24-26页 |
| 2.4 ECOA算法的性能测试与分析 | 第26-32页 |
| 2.4.1 评价指标 | 第26-27页 |
| 2.4.2 ECOA性能测试 | 第27-29页 |
| 2.4.3 各参数对算法性能的影响 | 第29-32页 |
| 2.5 ECOA算法特性 | 第32页 |
| 2.6 本章小结 | 第32-34页 |
| 3 基于记忆原理的改进情绪优化算法研究 | 第34-52页 |
| 3.1 记忆原理 | 第34-35页 |
| 3.1.1 记忆的基本模型 | 第34-35页 |
| 3.1.2 情绪记忆理论 | 第35页 |
| 3.2 记忆模型设计 | 第35-43页 |
| 3.2.1 AEMA算法场景设计 | 第35-38页 |
| 3.2.2 遗忘与记忆更新数学模型 | 第38-40页 |
| 3.2.3 AEMA算子设计 | 第40-43页 |
| 3.2.4 AEMA算法特色 | 第43页 |
| 3.3 记忆原理改进的情绪优化算法 | 第43-46页 |
| 3.4 算法的性能测试与分析 | 第46-50页 |
| 3.4.1 AEMA性能测试 | 第46-48页 |
| 3.4.2 各参数对算法性能的影响 | 第48-50页 |
| 3.5 AEMA算法特点 | 第50页 |
| 3.6 本章小结 | 第50-52页 |
| 4 实例对比与分析 | 第52-72页 |
| 4.1 智能优化算法介绍 | 第52-56页 |
| 4.1.1 遗传算法（Genetic Algorithm，GA） | 第52-53页 |
| 4.1.2 粒子群算法（Particle Swarm Optimization，PSO） | 第53-54页 |
| 4.1.3 进化差分群算法（Differential Evolution，DE） | 第54-55页 |
| 4.1.4 人工鱼群算法（Artificial Fish Swarm Algorithm，AFSA） | 第55-56页 |
| 4.2 测试函数说明 | 第56-63页 |
| 4.3 ECOA算法对比分析 | 第63-67页 |
| 4.3.1 测试环境的选取和算法参数的设置 | 第63-64页 |
| 4.3.2 仿真结果 | 第64-66页 |
| 4.3.3 对比规则与结果 | 第66-67页 |
| 4.4 AEMA算法对比分析 | 第67-70页 |
| 4.4.1 测试环境的选取和算法参数的设置 | 第67页 |
| 4.4.2 仿真结果 | 第67-69页 |
| 4.4.3 对比结果分析 | 第69-70页 |
| 4.5 本章小结 | 第70-72页 |
| 5 总结与展望 | 第72-74页 |
| 5.1 总结 | 第72-73页 |
| 5.2 研究工作展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-80页 |
| 附录 攻读硕士研究生学习阶段发表论文 | 第80页 |
