| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 选题意义和研究背景 | 第10-12页 |
| 1.1.1 选题意义 | 第10-11页 |
| 1.1.2 研究背景 | 第11-12页 |
| 1.2 空中交通管理系统介绍 | 第12-16页 |
| 1.2.1 空管作用 | 第12页 |
| 1.2.2 发展简况 | 第12-13页 |
| 1.2.3 管制任务划分 | 第13页 |
| 1.2.4 管制系统 | 第13-14页 |
| 1.2.5 空域结构与管制过程 | 第14页 |
| 1.2.6 空中导航系统 | 第14-16页 |
| 1.2.7 雷达监测 | 第16页 |
| 1.3 国内外研究现状 | 第16-18页 |
| 1.4 研究内容与创新点 | 第18页 |
| 1.5 论文的结构 | 第18-19页 |
| 第二章 PSO算法原理与收敛性分析 | 第19-27页 |
| 2.1 粒子群优化算法介绍 | 第19-22页 |
| 2.1.1 算法原理 | 第19页 |
| 2.1.2 算法数学模型 | 第19-20页 |
| 2.1.3 算法流程 | 第20-21页 |
| 2.1.4 惯性权重的引入 | 第21-22页 |
| 2.1.5 收缩因子的引入 | 第22页 |
| 2.2 标准PSO算法的收敛性分析 | 第22-24页 |
| 2.3 算法比价 | 第24-26页 |
| 2.3.1 粒子群(PSO)算法与遗传(GA)算法的比价 | 第24-25页 |
| 2.3.2 粒子群(PSO)算法与蚂蚁(ACO)算法的比价 | 第25-26页 |
| 2.4 PSO算法的不足之处 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 粒子群算法的改进及其在优化函数中的应用 | 第27-36页 |
| 3.1 生物免疫原理 | 第27-28页 |
| 3.2 结合免疫机制对粒子群算法的改进 | 第28-30页 |
| 3.3 对PSO算法系数的改进 | 第30-32页 |
| 3.3.1 对惯性权重的改进 | 第30-31页 |
| 3.3.2 对学习因子的改进 | 第31-32页 |
| 3.3.3 算法实现流程 | 第32页 |
| 3.4 改进粒子群算法在优化函数中的应用 | 第32-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 基于改进免疫粒子群算法的航班着陆调度 | 第36-50页 |
| 4.1 航班着陆调度模型 | 第36-40页 |
| 4.2 改进免疫粒子群算法在航班着陆调度中的应用 | 第40-49页 |
| 4.2.1 改进算法的基本思路 | 第40-43页 |
| 4.2.2 PSO算法离散化 | 第43-45页 |
| 4.2.3 仿真实验结果对比 | 第45-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第五章 结束语 | 第50-52页 |
| 5.1 本文总结 | 第50页 |
| 5.2 未来研究方向 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士学位期间科研及发表学术论文的情况 | 第56页 |