FA和PSO算法比较研究及其在协调优化中的应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.2 萤火虫算法的研究现状 | 第10-11页 |
| 1.3 粒子群算法的研究现状 | 第11-12页 |
| 1.4 单元机组协调控制的研究现状 | 第12-13页 |
| 1.5 本文的主要工作 | 第13-14页 |
| 第2章 萤火虫优化算法及改进 | 第14-27页 |
| 2.1 标准萤火虫算法 | 第14-15页 |
| 2.1.1 萤火虫算法的概念 | 第14页 |
| 2.1.2 萤火虫算法的数学描述 | 第14-15页 |
| 2.1.3 萤火虫算法的流程 | 第15页 |
| 2.2 改进的萤火虫算法 | 第15-18页 |
| 2.2.1 基于惯性权重的萤火虫算法 | 第15-16页 |
| 2.2.2 基于混沌序列的变尺度萤火虫算法 | 第16-18页 |
| 2.3 标准函数测试 | 第18-22页 |
| 2.3.1 实验环境与参数设置 | 第18-19页 |
| 2.3.2 算法寻优精度分析 | 第19页 |
| 2.3.3 算法优化过程分析 | 第19-22页 |
| 2.4 粒子群算法介绍 | 第22-24页 |
| 2.4.1 PSO算法的概念 | 第22-23页 |
| 2.4.2 PSO算法的数学描述 | 第23页 |
| 2.4.3 PSO算法的流程 | 第23-24页 |
| 2.4.4 sPSO算法 | 第24页 |
| 2.5 CSFA和SPSO算法比较 | 第24-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 神经网络基本原理 | 第27-37页 |
| 3.1 生物神经元与人工神经元 | 第27-29页 |
| 3.1.1 生物神经元 | 第27页 |
| 3.1.2 人工神经元 | 第27-29页 |
| 3.2 人工神经网络 | 第29-31页 |
| 3.2.1 人工神经网络模型 | 第29-30页 |
| 3.2.2 神经网络的学习方式 | 第30-31页 |
| 3.2.3 神经网络的学习规则 | 第31页 |
| 3.3 BP神经网络 | 第31-34页 |
| 3.3.1 BP神经网络的结构 | 第31-32页 |
| 3.3.2 BP神经网络学习算法 | 第32-33页 |
| 3.3.3 BP神经网络算法的改进 | 第33-34页 |
| 3.4 BP神经网络的MATLAB实现 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 超临界机组特性的神经网络建模 | 第37-46页 |
| 4.1 超临界直流机组的基本介绍 | 第37页 |
| 4.2 神经网络模型确立 | 第37-39页 |
| 4.3 神经网络建模 | 第39-44页 |
| 4.3.1 NARMA神经网络模型 | 第39-40页 |
| 4.3.2 神经网络模型训练 | 第40-42页 |
| 4.3.3 神经网络模型的验证 | 第42-44页 |
| 4.4 本章小结 | 第44-46页 |
| 第5章 预测优化控制方案设计与仿真研究 | 第46-58页 |
| 5.1 协调控制系统概述 | 第46页 |
| 5.2 超临界机组协调控制方式 | 第46-48页 |
| 5.3 模型预测优化控制方案设计 | 第48-51页 |
| 5.3.1 预测控制的基本原理 | 第48-49页 |
| 5.3.2 模型预测优化控制方案的确立 | 第49-51页 |
| 5.4 MPOC仿真研究与实验 | 第51-56页 |
| 5.4.1 方案的具体实现方法 | 第51页 |
| 5.4.2 仿真实验 | 第51-56页 |
| 5.5 本章小结 | 第56-58页 |
| 第6章 总结 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位期间发表的学术论文及其它成果 | 第63-64页 |
| 致谢 | 第64页 |
