| 摘要 | 第1-6页 |
| ABSTRACT | 第6-14页 |
| 第1章 绪论 | 第14-20页 |
| ·选题背景及意义 | 第14-15页 |
| ·群体智能优化的发展 | 第15-18页 |
| ·蚁群智能优化 | 第15-17页 |
| ·粒子群智能优化 | 第17-18页 |
| ·群体智能优化的计算模式 | 第18页 |
| ·本文的主要内容 | 第18-20页 |
| 第2章 群体智能优化的计算模式研究 | 第20-27页 |
| ·引言 | 第20页 |
| ·群体智能算法总体模式探讨 | 第20-23页 |
| ·群体智能计算的统一框架理念 | 第23-26页 |
| ·小结 | 第26-27页 |
| 第3章 粒子群优化算法的研究与改进 | 第27-40页 |
| ·粒子群算法的思想起源 | 第27-28页 |
| ·粒子群算法的算法描述 | 第28-32页 |
| ·粒子群算法的基本原理 | 第28-29页 |
| ·粒子群算法的数学描述 | 第29-30页 |
| ·粒子群算法的流程与算法分析 | 第30-32页 |
| ·粒子群算法的形式化描述 | 第32-34页 |
| ·改进粒子群算法 | 第34-39页 |
| ·动态变量区间方法和理论分析 | 第35-36页 |
| ·重新启动策略 | 第36-37页 |
| ·改进PSO 算法流程图 | 第37页 |
| ·改进PSO 算法用于典型函数优化 | 第37-39页 |
| ·小结 | 第39-40页 |
| 第4章 改进PSO 算法在热力系统辨识和控制器设计中的应用 | 第40-59页 |
| ·引言 | 第40页 |
| ·基于改进PSO 的RBF 神经网络在热工系统辨识中的应用 | 第40-47页 |
| ·径向基神经网络原理 | 第40-42页 |
| ·正交最小二乘学习算法 | 第42-43页 |
| ·热工对象系统辨识 | 第43-44页 |
| ·热工对象辨识仿真实验 | 第44-47页 |
| ·总结与结论 | 第47页 |
| ·改进PSO 优化的模糊控制器设计 | 第47-57页 |
| ·模糊控制器原理和结构简述 | 第48-50页 |
| ·模糊控制器设计 | 第50-53页 |
| ·PSO 的模糊控制器优化及在汽温串级控制系统中的应用 | 第53-57页 |
| ·结论 | 第57页 |
| ·小结 | 第57-59页 |
| 第5章 蚁群优化算法的研究及其应用 | 第59-83页 |
| ·引言 | 第59页 |
| ·基本蚁群算法 | 第59-68页 |
| ·蚁群算法原理 | 第59-62页 |
| ·蚁群算法描述 | 第62-63页 |
| ·蚁群算法的数学模型 | 第63-65页 |
| ·蚁群算法的形式化描述 | 第65-68页 |
| ·连续优化问题的蚁群算法研究 | 第68-69页 |
| ·连续蚁群算法在PID 参数优化中的应用 | 第69-73页 |
| ·算法模型 | 第69-71页 |
| ·算法步骤 | 第71页 |
| ·热工控制系统PID 参数优化 | 第71-73页 |
| ·变尺度混沌蚁群算法在经济负荷分配中的应用 | 第73-82页 |
| ·电力系统经济负荷分配的数学模型 | 第73-75页 |
| ·变尺度混沌蚁群算法 | 第75-79页 |
| ·变尺度混沌蚁群算法优化经济负荷分配 | 第79-82页 |
| ·本章小结 | 第82-83页 |
| 第6章 模糊聚类和群智能优化的算法融合研究 | 第83-96页 |
| ·引言 | 第83页 |
| ·聚类分析与模糊聚类 | 第83-85页 |
| ·模糊C 均值聚类算法 | 第85-87页 |
| ·基于模糊聚类的汽轮机振动故障诊断 | 第87-92页 |
| ·模糊关系诊断与征兆隶属度函数 | 第88-89页 |
| ·汽轮机振动故障诊断实例 | 第89-91页 |
| ·汽轮机振动故障诊断过程 | 第91-92页 |
| ·模糊C 均值聚类与群智能优化的算法融合 | 第92-95页 |
| ·FCM 与粒子群优化的算法融合 | 第93页 |
| ·FCM 与蚁群优化的算法融合 | 第93-94页 |
| ·融合算法数值分析 | 第94-95页 |
| ·本章小结 | 第95-96页 |
| 第7章 结论与建议 | 第96-98页 |
| 参考文献 | 第98-107页 |
| 攻读博士学位期间发表的论文及其它成果 | 第107-108页 |
| 致谢 | 第108-109页 |
| 作者简介 | 第109-110页 |
| 详细摘要 | 第110-129页 |
