基于空间收缩的粒子群优化算法及其在投资预测中的应用
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-15页 |
| ·引言 | 第11-12页 |
| ·传统优化算法概况 | 第11页 |
| ·智能优化算法介绍 | 第11-12页 |
| ·研究背景及课题意义 | 第12-13页 |
| ·本文的主要工作及内容安排 | 第13-15页 |
| ·主要工作 | 第13-14页 |
| ·内容安排 | 第14-15页 |
| 第2章 优化算法及其研究基础 | 第15-20页 |
| ·引言 | 第15页 |
| ·优化的概念与分类 | 第15-17页 |
| ·局部最优与全局最优 | 第15-16页 |
| ·优化算法及分类 | 第16-17页 |
| ·无免费午餐定理 | 第17-18页 |
| ·群智能算法 | 第18-19页 |
| ·小结 | 第19-20页 |
| 第3章 粒子群优化算法概述 | 第20-36页 |
| ·引言 | 第20页 |
| ·粒子群优化算法的产生与发展 | 第20-23页 |
| ·算法的提出 | 第20-21页 |
| ·算法发展 | 第21-22页 |
| ·发展展望 | 第22-23页 |
| ·粒子群优化算法原理 | 第23-25页 |
| ·算法的数学描述 | 第23-24页 |
| ·算法流程 | 第24-25页 |
| ·几种经典的改进算法 | 第25-28页 |
| ·线性下降惯性权重PSO | 第25-26页 |
| ·收缩因子法PSO | 第26-27页 |
| ·规范PSO | 第27页 |
| ·随机惯性权PSO | 第27-28页 |
| ·其它改进算法 | 第28页 |
| ·粒子群优化算法的收敛性分析 | 第28-35页 |
| ·算法收敛性理论分析 | 第29-33页 |
| ·经验分析 | 第33-35页 |
| ·小结 | 第35-36页 |
| 第4章 基于空间收缩的粒子群优化算法 | 第36-44页 |
| ·引言 | 第36页 |
| ·算法提出的背景知识 | 第36-37页 |
| ·不完全演化策略 | 第36-37页 |
| ·空间收缩思想 | 第37页 |
| ·基于空间收缩的粒子群优化算法 | 第37-42页 |
| ·算法思想 | 第37-39页 |
| ·数学描述 | 第39-40页 |
| ·重要参数 | 第40-41页 |
| ·算法流程 | 第41-42页 |
| ·小结 | 第42-44页 |
| 第5章 本文算法的参数选择及性能分析 | 第44-66页 |
| ·引言 | 第44页 |
| ·基准测试函数 | 第44-47页 |
| ·参数选择实验及结果分析 | 第47-57页 |
| ·模型一的参数选择 | 第47-53页 |
| ·模型二的参数选择 | 第53-57页 |
| ·算法性能分析 | 第57-64页 |
| ·算法性能指标比较 | 第58-61页 |
| ·算法进化过程比较 | 第61-64页 |
| ·小结 | 第64-66页 |
| 第6章 基于PSO的前向网络在投资预测中的应用 | 第66-73页 |
| ·引言 | 第66页 |
| ·投资预测模型 | 第66-68页 |
| ·投资预测问题的课题背景 | 第66-67页 |
| ·基于BP算法的投资预测模型 | 第67-68页 |
| ·基于PSO学习算法的前向网络研究 | 第68-71页 |
| ·进化算法在神经网络学习中的应用 | 第68页 |
| ·PSO学习算法的前向网络 | 第68-71页 |
| ·PSONN在投资预测模型中的应用 | 第71-72页 |
| ·小结 | 第72-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第81-82页 |
| 致谢 | 第82-83页 |
