摘要 | 第3-5页 |
Abstract | 第5-7页 |
符号对照表 | 第13-15页 |
缩略语对照表 | 第15-21页 |
1 绪论 | 第21-27页 |
1.1 引言 | 第21-22页 |
1.2 演化算法 | 第22-24页 |
1.3 复杂连续优化问题 | 第24-25页 |
1.4 本文的主要工作 | 第25-27页 |
2 人工雨滴算法 | 第27-45页 |
2.1 引言 | 第27-28页 |
2.2 提出的算法 | 第28-30页 |
2.3 算法描述 | 第30-33页 |
2.4 相关理论分析 | 第33-35页 |
2.4.1 雨滴碰撞算子的分布特性分析 | 第33-34页 |
2.4.2 最坏时间复杂度分析 | 第34页 |
2.4.3 收敛性分析 | 第34-35页 |
2.5 实验研究 | 第35-43页 |
2.5.1 测试函数 | 第36页 |
2.5.2 参数设置 | 第36页 |
2.5.3 数值实验 | 第36-43页 |
2.6 进一步讨论 | 第43-44页 |
2.6.1 种群规模对算法性能的影响 | 第43-44页 |
2.6.2 问题维数对算法性能的影响 | 第44页 |
2.7 本章小结 | 第44-45页 |
3 扩展人工雨滴算法 | 第45-61页 |
3.1 引言 | 第45页 |
3.2 提出的算法 | 第45-49页 |
3.2.1 动态分组策略 | 第46-47页 |
3.2.2 多雨滴形成策略 | 第47-48页 |
3.2.3 若干算子修正 | 第48-49页 |
3.3 算法描述 | 第49-52页 |
3.4 最坏时间复杂度和收敛性分析 | 第52页 |
3.5 实验研究 | 第52-59页 |
3.5.1 参数设置 | 第52-56页 |
3.5.2 数值实验 | 第56-59页 |
3.6 进一步讨论 | 第59-60页 |
3.6.1 分组组数对算法性能的影响 | 第59页 |
3.6.2 计算效率比较 | 第59-60页 |
3.7 本章小结 | 第60-61页 |
4 集成自组织映射和二项交叉算子学习的人工雨滴算法 | 第61-79页 |
4.1 引言 | 第61页 |
4.2 提出的算法 | 第61-67页 |
4.2.1 自组织映射学习 | 第61-64页 |
4.2.2 种群剖分技术 | 第64页 |
4.2.3 二项交叉算子学习 | 第64-67页 |
4.3 算法描述 | 第67-69页 |
4.4 实验研究 | 第69-73页 |
4.4.1 比较算法介绍 | 第69-70页 |
4.4.2 参数设置 | 第70页 |
4.4.3 数值实验 | 第70-73页 |
4.5 进一步讨论 | 第73-77页 |
4.5.1 SOM和BCO对算法性能的影响 | 第73-76页 |
4.5.2 邻域大小对算法性能的影响 | 第76页 |
4.5.3 交叉概率对算法性能的影响 | 第76页 |
4.5.4 计算效率比较 | 第76-77页 |
4.6 本章小结 | 第77-79页 |
5 基于人工雨滴算法和模拟二进制交叉的分解多目标演化算法 | 第79-101页 |
5.1 引言 | 第79-82页 |
5.2 基于Tchebycheff聚合的MOEA/D框架 | 第82-83页 |
5.3 提出的算法 | 第83-86页 |
5.3.1 雨滴池的修正 | 第83-85页 |
5.3.2 新的搜索引擎 | 第85-86页 |
5.4 算法描述 | 第86-88页 |
5.5 相关理论分析 | 第88-89页 |
5.5.1 最坏时间复杂度分析 | 第88-89页 |
5.5.2 收敛性分析 | 第89页 |
5.6 实验研究 | 第89-96页 |
5.6.1 测试函数 | 第90-91页 |
5.6.2 参数设置 | 第91-93页 |
5.6.3 性能指标 | 第93-95页 |
5.6.4 数值实验 | 第95-96页 |
5.7 进一步讨论 | 第96-100页 |
5.7.1 SBX对算法性能的贡献 | 第96-97页 |
5.7.2 问题维数对算法性能的影响 | 第97-98页 |
5.7.3 算法的局限性 | 第98-100页 |
5.8 本章小结 | 第100-101页 |
6 先验知识驱动的多目标人工雨滴算法 | 第101-117页 |
6.1 引言 | 第101-102页 |
6.2 提出的算法 | 第102-104页 |
6.2.1 先验知识的提取和利用 | 第102页 |
6.2.2 人工雨滴算法修正 | 第102-104页 |
6.3 算法描述 | 第104-106页 |
6.4 最坏时间复杂度和收敛性分析 | 第106页 |
6.5 实验研究 | 第106-113页 |
6.5.1 测试函数 | 第107-108页 |
6.5.2 参数设置和性能指标 | 第108-110页 |
6.5.3 数值实验 | 第110-113页 |
6.6 进一步讨论 | 第113-115页 |
6.6.1 调节概率对算法性能的影响 | 第113-114页 |
6.6.2 算法的局限性 | 第114-115页 |
6.7 本章小结 | 第115-117页 |
7 集成人工雨滴算法和高斯逆模型采样的多目标演化算法 | 第117-131页 |
7.1 引言 | 第117页 |
7.2 IM-MOEA算法及相关研究 | 第117-120页 |
7.2.1 IM-MOEA算法介绍 | 第117-119页 |
7.2.2 IM-MOEA算法的局限性 | 第119-120页 |
7.3 改进策略 | 第120-121页 |
7.3.1 雨滴池的扩展 | 第120-121页 |
7.3.2 动态参考向量设计 | 第121页 |
7.3.3 集成人工雨滴算法的重组策略 | 第121页 |
7.4 算法描述 | 第121-123页 |
7.5 实验研究 | 第123-127页 |
7.5.1 测试函数 | 第123-124页 |
7.5.2 比较算法介绍 | 第124页 |
7.5.3 参数设置和性能指标 | 第124-125页 |
7.5.4 数值实验 | 第125-127页 |
7.6 进一步讨论 | 第127-129页 |
7.6.1 调节参数对算法性能的影响 | 第127-129页 |
7.6.2 计算效率比较 | 第129页 |
7.7 本章小结 | 第129-131页 |
8 基于人工雨滴算法的混沌系统参数估计 | 第131-139页 |
8.1 引言 | 第131页 |
8.2 混沌系统的参数估计问题及其人工雨滴算法求解 | 第131-134页 |
8.2.1 混沌系统的参数估计问题 | 第131-132页 |
8.2.2 基本原理与算法实现 | 第132-134页 |
8.3 实验研究 | 第134-138页 |
8.3.1 典型的混沌系统 | 第134-135页 |
8.3.2 参数设置 | 第135-136页 |
8.3.3 数值实验 | 第136-138页 |
8.4 本章小结 | 第138-139页 |
9 总结与展望 | 第139-141页 |
致谢 | 第141-143页 |
参考文献 | 第143-157页 |
附录 | 第157-163页 |
附录A 多目标基准测试函数MOP1–MOP11 | 第157-159页 |
附录B 不规则前沿的多目标基准测试函数MOP1–MOP18 | 第159-163页 |
攻读博士学位期间的研究成果 | 第163-165页 |
1. 完成的论文成果 | 第163-164页 |
2. 参与的科研项目 | 第164页 |
3. 参加的学术活动 | 第164-165页 |