| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-20页 |
| 1.1 研究背景 | 第9页 |
| 1.2 智能优化技术的国内外研究现状 | 第9-14页 |
| 1.2.1 智能优化算法国内外研究现状 | 第9-11页 |
| 1.2.2 多目标智能优化算法国内外研究现状 | 第11-12页 |
| 1.2.3 智能约束处理技术国内外研究现状 | 第12-14页 |
| 1.3 工业应用对象介绍 | 第14-17页 |
| 1.3.1 净化工序概述 | 第14-16页 |
| 1.3.2 净化过程多组分离子检测重叠峰分离研究现状 | 第16-17页 |
| 1.3.3 净化除钻过程锌粉添加量优化研究现状 | 第17页 |
| 1.4 论文组织结构 | 第17-20页 |
| 2 状态转移算法原理与分析 | 第20-31页 |
| 2.1 状态转移算法概述 | 第20-21页 |
| 2.2 状态转移算法基本策略 | 第21-23页 |
| 2.3 状态转移算法操作算子及参数分析 | 第23-25页 |
| 2.4 状态转移算法操作算子的改进 | 第25-26页 |
| 2.5 状态转移算法的时间复杂度分析 | 第26-27页 |
| 2.6 状态转移算法收敛性分析 | 第27-30页 |
| 2.6.1 基础知识 | 第27-28页 |
| 2.6.2 状态空间分析 | 第28-29页 |
| 2.6.3 状态转移算法的收敛性证明 | 第29-30页 |
| 2.7 本章小结 | 第30-31页 |
| 3 STAWNN及其在极谱多组分离子浓度信号解析中的应用 | 第31-43页 |
| 3.1 极谱法锌净化过程多组分离子浓度检测 | 第31-34页 |
| 3.1.1 极谱法概述 | 第31-32页 |
| 3.1.2 极谱法定量分析原理及影响因素 | 第32-33页 |
| 3.1.3 极谱法用于多组分离子浓度检测 | 第33-34页 |
| 3.2 状态转移小波神经网络 | 第34-37页 |
| 3.2.1 小波神经网络(Wavelet Neural Network,WNN)简介 | 第34-36页 |
| 3.2.2 状态转移小波神经网络(STAWNN) | 第36-37页 |
| 3.3 多组分极谱信号特征值提取 | 第37-39页 |
| 3.4 STAWNN用于锌钴极谱检测信号解析的仿真验证 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 4 多目标状态转移算法 | 第43-57页 |
| 4.1 多目标优化问题概述 | 第43-44页 |
| 4.2 多目标状态转移算法(MOSTA) | 第44-46页 |
| 4.2.1 多种群搜索策略 | 第45页 |
| 4.2.2 变异算子 | 第45-46页 |
| 4.3 MOSTA算法的实现 | 第46-47页 |
| 4.4 MOSTA的仿真验证 | 第47-50页 |
| 4.4.1 测试函数及评价指标 | 第47-49页 |
| 4.4.2 参数设置与仿真结果 | 第49-50页 |
| 4.5 带约束的多目标状态转移算法(CMOSTA) | 第50-53页 |
| 4.5.1 CMOSTA的搜索策略 | 第51-52页 |
| 4.5.2 CMOSTA算法的实现 | 第52-53页 |
| 4.6 CMOSTA的仿真验证 | 第53-56页 |
| 4.6.1 带约束多目标优化测试函数 | 第53-54页 |
| 4.6.2 参数设置与仿真结果 | 第54-56页 |
| 4.7 本章小结 | 第56-57页 |
| 5 多目标状态转移算法在锌粉添加量优化中的应用 | 第57-63页 |
| 5.1 砷盐净化除钴过程 | 第57-58页 |
| 5.2 锌粉添加多目标优化模型及求解 | 第58-61页 |
| 5.2.1 锌粉添加量多目标优化模型 | 第59页 |
| 5.2.2 锌粉添加量工业数据仿真验证 | 第59-61页 |
| 5.3 基于TOPSIS的实际锌粉添加量选择 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 6 总结与展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位期间的主要研究成果 | 第70-71页 |
| 致谢 | 第71页 |
