| 摘要 | 第1-5页 |
| Abstract | 第5-12页 |
| 第一章 引言 | 第12-15页 |
| ·问题的提出与研究意义 | 第12-13页 |
| ·论文的主要工作 | 第13-14页 |
| ·论文的组织 | 第14-15页 |
| 第二章 粒子群优化算法（PSO） | 第15-32页 |
| ·群智能 | 第15-18页 |
| ·蚁群算法 | 第16-17页 |
| ·粒子群优化算法 | 第17-18页 |
| ·群智能算法研究中存的问题 | 第18页 |
| ·基本粒子群算法和标准粒子群算法 | 第18-21页 |
| ·基本粒子群算法 | 第19-20页 |
| ·标准粒子群算法 | 第20-21页 |
| ·引入惯性权重( Intertia weight) | 第20-21页 |
| ·引入收敛因子( Constriction factor) | 第21页 |
| ·粒子群优化算法流程 | 第21-22页 |
| ·粒子群优化算法的发展与改进 | 第22-29页 |
| ·离散二进制模型 | 第22-23页 |
| ·参数的选择和设计 | 第23-25页 |
| ·对惯性权重ω的调整 | 第23-24页 |
| ·带收敛因子的粒子群算法 | 第24页 |
| ·对v_(max) 的动态调整 | 第24-25页 |
| ·领域拓扑结构 | 第25-26页 |
| ·群体组织和进化 | 第26-27页 |
| ·混合粒子群算法 | 第27-29页 |
| ·粒子群优化算法的应用 | 第29-31页 |
| ·总结与展望 | 第31-32页 |
| 第三章 粒子群算法的收敛性及加速度c_1,c_2 的实验分析 | 第32-48页 |
| ·粒子群优化算法的收敛性分析 | 第32-35页 |
| ·粒子群优化参数控制简要概述 | 第35-36页 |
| ·关于加速度系数c_1,c_2 的实验分析 | 第36-47页 |
| ·c_1，c_2 线性配对的截点或斜率变化对加速度系数选择的影响 | 第37-42页 |
| ·c_1，c_2 非线性配对对加速度系数选择的影响 | 第42-44页 |
| ·惯性系数ω对加速度系数选择的影响 | 第44-47页 |
| ·本章小结 | 第47-48页 |
| 第四章 基于云模型理论的参数自适应调整粒子群优化算法 | 第48-77页 |
| ·云模型理论概念 | 第48-56页 |
| ·引言 | 第48-50页 |
| ·云模型的基本概念 | 第50-51页 |
| ·正态云模型及云发生器 | 第51-53页 |
| ·正态云模型 | 第51页 |
| ·云发生器 | 第51-53页 |
| ·云模型不确定性规则推理 | 第53-56页 |
| ·不确定性规则推理 | 第53-54页 |
| ·不确定性规则推理应用实例 | 第54-56页 |
| ·惯性权重ω动态自适应调整 PSO算法（CM-PSO1） | 第56-68页 |
| ·算法改进原理和步骤 | 第56-58页 |
| ·算法测试与分析 | 第58-68页 |
| ·算法构建及参数选择 | 第58-61页 |
| ·算法测试结果及分析 | 第61-68页 |
| ·惯性权重ω及加速度c_2 的动态自适应调整 PSO算法（CM-PSO2） | 第68-75页 |
| ·算法改进原理和步骤 | 第68-69页 |
| ·算法测试与分析 | 第69-75页 |
| ·算法构建及参数选择 | 第69-71页 |
| ·算法测试结果及分析 | 第71-75页 |
| ·本章小结 | 第75-77页 |
| 第五章 增加种群多样性的粒子群优化算法 | 第77-112页 |
| ·引言 | 第77页 |
| ·群体替代的粒子群优化算法（ G-PSO） | 第77-86页 |
| ·算法原理与流程 | 第77-80页 |
| ·算法原理 | 第77-79页 |
| ·算法流程 | 第79-80页 |
| ·算法测试与结果分析 | 第80-86页 |
| ·测试函数及算法参数选择 | 第80-81页 |
| ·测试结果及分析讨论 | 第81-86页 |
| ·粒子群与差异演化的混合进化算法(c-PSO) | 第86-99页 |
| ·算法原理及流程 | 第86-89页 |
| ·算法原理 | 第86-89页 |
| ·算法流程 | 第89页 |
| ·算法测试及结果分析 | 第89-99页 |
| ·测试函数及算法参数选择 | 第89-90页 |
| ·测试结果及分析讨论 | 第90-99页 |
| ·基于差异演化变异的粒子群优化算法（de-PSO） | 第99-111页 |
| ·算法原理及流程 | 第99-101页 |
| ·算法原理 | 第99-101页 |
| ·算法流程 | 第101页 |
| ·算法测试及结果分析 | 第101-111页 |
| ·测试函数及算法参数选择 | 第101-102页 |
| ·测试结果及分析讨论 | 第102-111页 |
| ·本章小结 | 第111-112页 |
| 第六章 粒子群算法的应用研究 | 第112-168页 |
| ·粒子群算法优化神经网络在火灾早期探测中的应用 | 第112-144页 |
| ·火灾早期探测的特征信息选择 | 第112-115页 |
| ·火灾早期探测实验及实验分析 | 第115-128页 |
| ·火灾早期探测实验系统 | 第117-119页 |
| ·火灾早期探测实验结果及分析 | 第119-128页 |
| ·真火灾源实验结果及分析 | 第119-125页 |
| ·虚假火灾源实验结果及分析 | 第125-128页 |
| ·火灾早期探测特征信息的主成分分析 | 第128-134页 |
| ·主成分分析 | 第129-131页 |
| ·火灾早期探测特征信息的主成分分析 | 第131-134页 |
| ·基于人工神经网络的火灾早期探测 | 第134-144页 |
| ·人工神经网络在火灾早期探测中的应用 | 第134-137页 |
| ·人工神经网络的粒子群算法优化 | 第137-144页 |
| ·基于c-PSO算法的神经网络优化算法 | 第137-139页 |
| ·优化后的神经网络在火灾早期探测中的应用 | 第139-144页 |
| ·基于粒子群优化算法的不完全微分 PID参数优化 | 第144-167页 |
| ·PID控制算法 | 第144-151页 |
| ·一般 PID控制 | 第145-147页 |
| ·不完全微分的 PID控制算法 | 第147-151页 |
| ·基于 G-PSO算法的不完全微分 PID参数优化 | 第151-167页 |
| ·不完全微分 PID控制算法一的参数优化 | 第151-159页 |
| ·不完全微分 PID控制算法二的参数优化 | 第159-167页 |
| ·本节小结 | 第167页 |
| ·本章小结 | 第167-168页 |
| 第七章 总结与展望 | 第168-170页 |
| 参考文献 | 第170-183页 |
| 致谢 | 第183-184页 |
| 攻读博士期间撰写的论文和参与的项目 | 第184页 |
