| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景与研究意义 | 第9-10页 |
| 1.1.1 超高维优化问题研究背景和意义 | 第9-10页 |
| 1.1.2 多目标优化问题研究背景和意义 | 第10页 |
| 1.2 研究现状 | 第10-15页 |
| 1.2.1 超高维优化问题研究现状 | 第10-13页 |
| 1.2.2 多目标优化问题研究现状 | 第13-15页 |
| 1.3 本文的研究内容及结构安排 | 第15-17页 |
| 2 粒子群算法 | 第17-20页 |
| 2.1 粒子群算法的起源 | 第17页 |
| 2.2 粒子群算法过程 | 第17-18页 |
| 2.3 粒子群算法的几种常见改进模型 | 第18-19页 |
| 2.3.1 带惯性权重的粒子群优化模型 | 第18-19页 |
| 2.3.2 局部邻域的粒子群优化模型 | 第19页 |
| 2.3.3 综合学习粒子群优化模型 | 第19页 |
| 2.4 本章小结 | 第19-20页 |
| 3 多目标优化问题相关概念及评价标准 | 第20-23页 |
| 3.1 多目标优化问题相关概念 | 第20页 |
| 3.2 多目标优化问题的评价标准 | 第20-22页 |
| 3.3 本章小结 | 第22-23页 |
| 4 面向高维优化的带有随机认知能力的层次粒子群算法 | 第23-35页 |
| 4.1 层次粒子群算法 | 第23-24页 |
| 4.2 带有随机认知能力的层次粒子群算法 | 第24-25页 |
| 4.3 面向高维优化的带有随机认知能力的层次粒子群算法 | 第25-28页 |
| 4.4 实验结果与分析 | 第28-34页 |
| 4.4.1 实验建立 | 第28-29页 |
| 4.4.2 CEC2008测试集的实验结果 | 第29-33页 |
| 4.4.3 与其他算法的比较 | 第33-34页 |
| 4.5 本章小结 | 第34-35页 |
| 5 带有导向性交叉因子的MOPSO/D | 第35-52页 |
| 5.1 MOEA/D算法框架 | 第35-39页 |
| 5.1.1 MOEA/D算法介绍 | 第35-36页 |
| 5.1.2 MOEA/D算法中常用的三种目标分解方法 | 第36-37页 |
| 5.1.3 MOEA/D算法过程 | 第37-39页 |
| 5.2 带有导向性交叉因子的MOPSO/D | 第39-44页 |
| 5.2.1 邻域进步方向 | 第40-41页 |
| 5.2.2 导向性交叉因子 | 第41-42页 |
| 5.2.3 动态调度机制 | 第42-44页 |
| 5.3 实验结果与分析 | 第44-51页 |
| 5.3.1 实验建立 | 第44页 |
| 5.3.2 实验测试结果 | 第44-51页 |
| 5.4 本章小结 | 第51-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 攻读硕士学位期间发表学术论文情况 | 第58-59页 |
| 致谢 | 第59-60页 |
