| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第15-32页 |
| 1.1 课题背景及研究意义 | 第15-16页 |
| 1.2 最优化问题 | 第16-18页 |
| 1.2.1 最优化问题的定义 | 第16-17页 |
| 1.2.2 最优化问题的智能求解算法 | 第17-18页 |
| 1.3 蚁群优化原理及觅食行为仿真研究现状 | 第18-22页 |
| 1.3.1 蚁群优化原理 | 第18-20页 |
| 1.3.2 基于规则演化的蚁群觅食行为仿真 | 第20-21页 |
| 1.3.3 蚁群觅食行为仿真研究现状 | 第21-22页 |
| 1.4 基本蚁群算法及蚁群算法研究现状 | 第22-27页 |
| 1.4.1 基本蚁群算法介绍 | 第22-25页 |
| 1.4.2 离散域蚁群算法性能改进研究现状 | 第25-26页 |
| 1.4.3 连续域域蚁群算法性能改进研究现状 | 第26-27页 |
| 1.4.4 蚁群算法的收敛性研究现状 | 第27页 |
| 1.5 蚁群优化在实际问题中的研究现状 | 第27-29页 |
| 1.5.1 蚁群优化在机器人路径规划中的研究现状 | 第28页 |
| 1.5.2 蚁群算法在控制器参数优化中的研究现状 | 第28-29页 |
| 1.6 论文主要研究内容及结构 | 第29-32页 |
| 第2章 基于 Agent 的蚁群觅食行为建模及仿真 | 第32-56页 |
| 2.1 引言 | 第32页 |
| 2.2 基于 Agent 的蚁群觅食行为模型建立及仿真 | 第32-46页 |
| 2.2.1 基于 Agent 的建模方法 | 第32-34页 |
| 2.2.2 蚁群觅食行为模型框架 | 第34页 |
| 2.2.3 基于 Agent 的蚁群觅食行为建模 | 第34-39页 |
| 2.2.4 基于 Agent 的蚁群觅食行为模型仿真 | 第39-45页 |
| 2.2.5 基本蚁群觅食行为模型的特点 | 第45-46页 |
| 2.3 改进蚁群觅食行为模型研究 | 第46-54页 |
| 2.3.1 基于自适应参数选择的改进策略 | 第47-49页 |
| 2.3.2 加入新规则的改进策略 | 第49-50页 |
| 2.3.3 改进蚁群觅食行为模型仿真流程设计 | 第50-51页 |
| 2.3.4 改进蚁群觅食行为模型仿真 | 第51-54页 |
| 2.4 本章小结 | 第54-56页 |
| 第3章 基于匀称度和均匀设计的蚁群算法及收敛性分析 | 第56-83页 |
| 3.1 引言 | 第56-57页 |
| 3.2 蚁群优化算法的改进策略 | 第57-60页 |
| 3.2.1 离散域蚁群算法的改进策略 | 第57-58页 |
| 3.2.2 蚁群算法用于连续域优化问题的改进策略 | 第58-60页 |
| 3.3 一种基于匀称度的离散域自适应蚁群算法 | 第60-68页 |
| 3.3.1 允许路径和匀称度 | 第60-61页 |
| 3.3.2 基于匀称度自适应城市选择 | 第61-62页 |
| 3.3.3 基于匀称度自适应更新信息素 | 第62页 |
| 3.3.4 路径距离数据的预处理 | 第62-63页 |
| 3.3.5 DSAS 算法寻优步骤 | 第63-64页 |
| 3.3.6 DSAS 算法收敛性分析 | 第64-66页 |
| 3.3.7 仿真实验 | 第66-68页 |
| 3.4 一种基于均匀设计和解的权值改进的 ACOR算法 | 第68-82页 |
| 3.4.1 基于实数优化的蚁群算法（ACOR算法） | 第69-71页 |
| 3.4.2 ACOR算法参数分析 | 第71-73页 |
| 3.4.3 ACOR算法收敛性分析 | 第73-77页 |
| 3.4.4 基于均匀设计和解的权值改进的 ACOR算法 | 第77-79页 |
| 3.4.5 仿真结果 | 第79-82页 |
| 3.5 本章小结 | 第82-83页 |
| 第4章 基于智能算法融合的 ACOE算法改进研究 | 第83-109页 |
| 4.1 引言 | 第83页 |
| 4.2 一种融合量子算法的改进 ACOE算法 | 第83-92页 |
| 4.2.1 量子计算机理 | 第84-85页 |
| 4.2.2 融入量子算法的改进 ACOE算法 | 第85-86页 |
| 4.2.3 QACOE算法的收敛性分析 | 第86-89页 |
| 4.2.4 QACOE算法优化多维连续函数的仿真实验 | 第89-92页 |
| 4.3 一种融合云模型和遗传算法的改进 ACOE算法 | 第92-100页 |
| 4.3.1 遗传算法机理 | 第92-93页 |
| 4.3.2 云模型理论 | 第93-94页 |
| 4.3.3 融入云模型和遗传算法的改进 ACOE算法 | 第94-97页 |
| 4.3.4 CGACOE算法优化多维连续函数的仿真实验 | 第97-100页 |
| 4.4 一种融合鱼群算法的改进 ACOE算法 | 第100-108页 |
| 4.4.1 人工鱼群算法机理及行为规则分析 | 第101-102页 |
| 4.4.2 融入鱼群算法的改进 ACOE算法 | 第102-104页 |
| 4.4.3 AFACOE算法优化多维连续函数的仿真实验 | 第104-106页 |
| 4.4.4 QACOE、CGACOE、AFACOE算法对比 | 第106-108页 |
| 4.5 本章小结 | 第108-109页 |
| 第5章 量子扩展蚁群算法在智能控制及故障诊断中的应用 | 第109-138页 |
| 5.1 引言 | 第109页 |
| 5.2 基于 QACOE算法参数优化的模糊神经网络控制器设计 | 第109-113页 |
| 5.2.1 正规化模糊神经网络控制器 | 第110-111页 |
| 5.2.2 基于 QACO_E算法参数优化的 NFNN 控制器设计 | 第111-113页 |
| 5.3 基于自适应变论域的模糊神经网络控制器设计 | 第113-117页 |
| 5.3.1 NFNN 控制器的输入变论域设计 | 第113-116页 |
| 5.3.2 基于 QACOE算法参数优化的 VNFNN 控制器设计 | 第116-117页 |
| 5.4 倒立摆系统的控制器设计及仿真 | 第117-128页 |
| 5.4.1 倒立摆系统建模 | 第117-118页 |
| 5.4.2 倒立摆系统 QNFNN 控制器设计及仿真 | 第118-123页 |
| 5.4.3 倒立摆系统 QVNFNN 控制器设计及仿真 | 第123-127页 |
| 5.4.4 QNFNN、QVNFNN 控制器性能对比 | 第127-128页 |
| 5.5 基于 QACOE算法参数优化的 RVM 故障诊断模型研究 | 第128-137页 |
| 5.5.1 相关向量机分类模型 | 第129-131页 |
| 5.5.2 基于 QACOE的 RVM 参数优化及学习过程 | 第131-132页 |
| 5.5.3 基于 QACOE-RVM 的齿轮故障诊断及仿真结果 | 第132-137页 |
| 5.6 本章小结 | 第137-138页 |
| 第6章 蚁群优化在移动机器人路径规划中的应用 | 第138-156页 |
| 6.1 引言 | 第138-139页 |
| 6.2 基于 DSAS 算法的全局机器人路径规划研究 | 第139-148页 |
| 6.2.1 环境及问题描述 | 第139-140页 |
| 6.2.2 基于 DSAS 算法的路径规划设计 | 第140-143页 |
| 6.2.3 算法步骤 | 第143-144页 |
| 6.2.4 仿真实验与分析 | 第144-148页 |
| 6.3 基于改进蚁群觅食模型的局部机器人路径规划研究 | 第148-155页 |
| 6.3.1 环境描述 | 第148-149页 |
| 6.3.2 机器人行为规则设计 | 第149-151页 |
| 6.3.3 模型仿真流程设计 | 第151-152页 |
| 6.3.4 仿真研究 | 第152-155页 |
| 6.4 本章小结 | 第155-156页 |
| 结论 | 第156-158页 |
| 参考文献 | 第158-169页 |
| 攻读博士学位期间发表的论文 | 第169-171页 |
| 致谢 | 第171-172页 |
| 个人简历 | 第172页 |
