| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 PSO算法的理论研究 | 第11-12页 |
| 1.2.2 PSO算法的改进研究 | 第12-13页 |
| 1.2.3 PSO算法的应用研究 | 第13-15页 |
| 1.3 课题来源及本文主要内容 | 第15页 |
| 1.4 本文组织结构 | 第15-17页 |
| 第2章 粒子群算法的理论基础 | 第17-30页 |
| 2.1 基本粒子群算法 | 第17-20页 |
| 2.1.1 算法原理 | 第17页 |
| 2.1.2 数学描述 | 第17-18页 |
| 2.1.3 算法步骤 | 第18-19页 |
| 2.1.4 算法流程 | 第19-20页 |
| 2.2 标准粒子群算法 | 第20-21页 |
| 2.2.1 带惯性权重的PSO算法 | 第20页 |
| 2.2.2 带压缩因子的PSO算法 | 第20-21页 |
| 2.3 粒子群算法的参数分析 | 第21-26页 |
| 2.3.1 惯性权重 | 第21-24页 |
| 2.3.2 学习因子 | 第24-25页 |
| 2.3.3 其他参数 | 第25页 |
| 2.3.4 PSO算法的收敛性分析 | 第25-26页 |
| 2.4 粒子群算法的常用测试函数 | 第26-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于改进雁群PSO的移动机器人路径规划 | 第30-45页 |
| 3.1 引言 | 第30页 |
| 3.2 基于雁群启示的优化PSO算法 | 第30-40页 |
| 3.2.1 对雁群PSO混沌初始化并改进早熟粒子 | 第31-33页 |
| 3.2.2 一种新的自适应惯性权重 | 第33-37页 |
| 3.2.3 改进的雁群PSO与其他PSO算法的比较 | 第37-40页 |
| 3.3 改进雁群PSO的移动机器人路径规划 | 第40-44页 |
| 3.3.1 环境建模 | 第40-41页 |
| 3.3.2 搜索策略 | 第41页 |
| 3.3.3 算法步骤 | 第41-42页 |
| 3.3.4 仿真分析 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 改进粒子群优化算法在旅行商问题中的应用 | 第45-59页 |
| 4.1 引言 | 第45页 |
| 4.2 求解旅行商问题的PSO算法 | 第45-50页 |
| 4.2.1 TSP问题的简介 | 第45-46页 |
| 4.2.2 TSP问题的描述 | 第46-47页 |
| 4.2.3 定义交换子和交换序 | 第47-49页 |
| 4.2.4 TSP中的粒子群算法 | 第49-50页 |
| 4.3 求解旅行商问题的改进PSO算法 | 第50-58页 |
| 4.3.1 基于遗传算法思想的改进 | 第50-51页 |
| 4.3.2 启发因子策略 | 第51-52页 |
| 4.3.3 改进PSO算法的步骤及流程 | 第52-54页 |
| 4.3.4 仿真分析 | 第54-58页 |
| 4.4 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65页 |