| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题背景及研究意义 | 第8-9页 |
| 1.2 研究现状 | 第9-12页 |
| 1.2.1 粒子群算法的相关理论研究 | 第9-10页 |
| 1.2.2 粒子群算法的改进现状 | 第10-12页 |
| 1.3 本文组织结构 | 第12-14页 |
| 第二章 算法研究的理论基础 | 第14-24页 |
| 2.1 优化 | 第14-15页 |
| 2.1.1 函数优化 | 第14页 |
| 2.1.2 优化算法 | 第14-15页 |
| 2.2 几个经典的智能算法 | 第15-19页 |
| 2.2.1 蚁群算法 | 第15-16页 |
| 2.2.2 遗传算法 | 第16-17页 |
| 2.2.3 人工蜂群算法 | 第17-18页 |
| 2.2.4 人工神经网络算法 | 第18-19页 |
| 2.3 粒子群算法 | 第19-22页 |
| 2.3.1 PSO的原始模型 | 第19-20页 |
| 2.3.2 标准粒子群算法的模型 | 第20-22页 |
| 2.3.3 粒子群算法的收敛性分析 | 第22页 |
| 2.4 本章小结 | 第22-24页 |
| 第三章 粒子群算法的优化研究 | 第24-33页 |
| 3.1 模拟退火粒子群算法(Simulated Annealing PSO，SAPSO） | 第24-26页 |
| 3.2 改进的模拟退火粒子群算法（Improved SAPSO,ISAPSO） | 第26-32页 |
| 3.2.1 Tsallis接受准则基本原理 | 第27-28页 |
| 3.2.2 引入自适应惯性权重 | 第28页 |
| 3.2.3 学习因子的改进 | 第28-29页 |
| 3.2.4 引入遗传算法的选择、交叉和变异策略 | 第29-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第四章 改进的粒子群算法在函数优化中的应用 | 第33-49页 |
| 4.1 测试函数的具体介绍 | 第33-36页 |
| 4.2 不同算法对应的测试函数结果分析 | 第36-48页 |
| 4.2.1 算法的参数选取 | 第36页 |
| 4.2.2 算法的性能衡量标准 | 第36-37页 |
| 4.2.3 测试函数的实验结果 | 第37-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49页 |
| 5.2 展望 | 第49-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-54页 |