| 摘要 | 第1-6页 |
| Abstract | 第6-13页 |
| 第一章 引言 | 第13-16页 |
| ·研究背景和课题意义 | 第13-14页 |
| ·本文的主要工作和成果 | 第14-15页 |
| ·本文的组织 | 第15-16页 |
| 第二章 粒子群优化算法原理 | 第16-22页 |
| ·进化计算简介 | 第16页 |
| ·标准粒子群算法 | 第16-19页 |
| ·算法原理 | 第16-17页 |
| ·算法流程 | 第17页 |
| ·全局模型与局部模型 | 第17-19页 |
| ·几种重要的改进粒子群优化算法 | 第19-20页 |
| ·惯性权重(inertia weight)改进算法 | 第19页 |
| ·收缩因子(constriction factor)改进算法 | 第19-20页 |
| ·与其他进化算法的比较 | 第20-21页 |
| ·相似点 | 第20页 |
| ·不同点 | 第20-21页 |
| ·PSO的应用状况 | 第21页 |
| ·本章回顾 | 第21-22页 |
| 第三章 非对称互联型粒子群算法 | 第22-40页 |
| ·粒子群优化算法的种群拓扑结构 | 第22-26页 |
| ·代数式的变化 | 第23-24页 |
| ·几种典型种群拓扑结构 | 第24-26页 |
| ·非对称互联型算法的提出 | 第26-31页 |
| ·原算法的局限型 | 第26-28页 |
| ·加权模型的建立 | 第28-31页 |
| ·通用表达式 | 第28页 |
| ·加权函数的设计 | 第28-31页 |
| ·实验方法 | 第31-34页 |
| ·用作实验的基准函数 | 第31-32页 |
| ·测试方案及参数设定 | 第32-34页 |
| ·仿真结果及分析 | 第34-38页 |
| ·单项测试 | 第34-36页 |
| ·交叉组合测试(G-P加权) | 第36-38页 |
| ·实验结论 | 第38页 |
| ·本章回顾 | 第38-40页 |
| 第四章 基于AFIPSO的动态环境跟踪 | 第40-53页 |
| ·DFI函数和logistic函数 | 第40-42页 |
| ·检测到环境变化时的响应策略 | 第42-44页 |
| ·实验方法 | 第44-45页 |
| ·测试目标 | 第44页 |
| ·主峰移动方式 | 第44-45页 |
| ·AFIPSO参数设置 | 第45页 |
| ·实验结果及分析 | 第45-52页 |
| ·本章回顾 | 第52-53页 |
| 第五章 协同粒子群算法用于神经网络优化 | 第53-67页 |
| ·用PSO算法优化神经网络 | 第53-56页 |
| ·算法流程 | 第53-54页 |
| ·算法的评价指标 | 第54-56页 |
| ·协同PSO算法优化神经网络 | 第56-62页 |
| ·传统PSO方法的局限性 | 第56-57页 |
| ·协同PSO算法的提出 | 第57-60页 |
| ·实验结果及分析 | 第60-62页 |
| ·改进的协同粒子群算法 | 第62-65页 |
| ·算法的提出 | 第63-64页 |
| ·实验结果即分析 | 第64-65页 |
| ·本章回顾 | 第65-67页 |
| 第六章 PSO用于神经网络学习规则的进化 | 第67-78页 |
| ·进化神经网络 | 第67-69页 |
| ·进化神经网络的起源 | 第67页 |
| ·进化神经网络的主要研究领域 | 第67-69页 |
| ·算法设计 | 第69-71页 |
| ·BP算法及学习率 | 第69-70页 |
| ·用PSO进化BP算法的学习率 | 第70-71页 |
| ·实验方法1: 优化标准BP算法的学习率 | 第71-75页 |
| ·PSO算法设置 | 第71-72页 |
| ·参与比较的EP设置 | 第72-73页 |
| ·实验结果和分析 | 第73-75页 |
| ·实验方法2: 优化带动量项的BP算法的学习率和动量系数 | 第75-77页 |
| ·实验设置 | 第75页 |
| ·实验结果和分析 | 第75-77页 |
| ·本章回顾 | 第77-78页 |
| 第七章 结论 | 第78-81页 |
| ·主要特色与创新 | 第78-80页 |
| ·工作展望 | 第80-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 个人简历 | 第86页 |
| 在学期间发表的论文 | 第86页 |
