| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第14-16页 |
| 缩略语对照表 | 第16-22页 |
| 第一章 绪论 | 第22-36页 |
| 1.1 量子粒子群算法综述 | 第22-27页 |
| 1.1.1 群体智能算法 | 第22-23页 |
| 1.1.2 量子粒子群原理及算法描述 | 第23-24页 |
| 1.1.3 量子粒子群算法优缺点 | 第24-26页 |
| 1.1.4 量子粒子群算法研究现状 | 第26-27页 |
| 1.2 文化进化机制 | 第27-29页 |
| 1.2.1 文化进化机制原理 | 第27-28页 |
| 1.2.2 文化算法框架 | 第28-29页 |
| 1.3 多目标优化问题 | 第29-31页 |
| 1.3.1 多目标优化问题模型 | 第29-30页 |
| 1.3.2 多目标优化研究现状及难点 | 第30-31页 |
| 1.4 动态优化问题 | 第31-33页 |
| 1.4.1 动态优化问题模型 | 第31-32页 |
| 1.4.2 动态优化研究现状及难点 | 第32-33页 |
| 1.5 论文主要内容 | 第33-36页 |
| 第二章 基于协作学习的单目标量子粒子群优化算法 | 第36-56页 |
| 2.1 引言 | 第36-37页 |
| 2.2 协作学习策略 | 第37-41页 |
| 2.2.1 协作学习策略提出动机 | 第37-38页 |
| 2.2.2 正交算子 | 第38-39页 |
| 2.2.3 比较算子 | 第39-40页 |
| 2.2.4 协作学习策略中的“开发”与“利用”分析 | 第40-41页 |
| 2.3 基于协作学习策略的量子粒子群算法框架及实现 | 第41-42页 |
| 2.4 实验结果与分析 | 第42-55页 |
| 2.4.1 算法参数分析 | 第42-46页 |
| 2.4.2 协作学习策略有效性分析 | 第46页 |
| 2.4.3 CL-QPSO与PSO及QPSO算法的比较结果及分析 | 第46-54页 |
| 2.4.4 CL-QPSO与其他进化算法的比较结果及分析 | 第54-55页 |
| 2.5 本章小结 | 第55-56页 |
| 第三章 基于文化进化机制的多目标量子粒子群算法 | 第56-72页 |
| 3.1 引言 | 第56页 |
| 3.2 多目标量子粒子群优化研究进展 | 第56-58页 |
| 3.2.1 粒子最优位置的选择 | 第56-57页 |
| 3.2.2 多样性保持 | 第57-58页 |
| 3.3 基于文化进化机制的多目标量子粒子群算法框架及实现 | 第58-62页 |
| 3.3.1 CulturalMOQPSO算法框架 | 第58页 |
| 3.3.2 构建种群空间和信念空间 | 第58-60页 |
| 3.3.3 获取个体和全局最优位置 | 第60-61页 |
| 3.3.4 基于组合的更新算子 | 第61-62页 |
| 3.4 实验结果与分析 | 第62-71页 |
| 3.4.1 评价指标 | 第63页 |
| 3.4.2 算法参数设计 | 第63-64页 |
| 3.4.3 算法有效性分析 | 第64-66页 |
| 3.4.4 算法在ZDT和DTLZ测试集上的性能评估 | 第66-68页 |
| 3.4.5 算法在CEC2009函数测试集上的性能评估 | 第68-71页 |
| 3.5 本章小结 | 第71-72页 |
| 第四章 基于文化进化机制和多观测策略的多目标量子粒子群调度优化算法 | 第72-94页 |
| 4.1 引言 | 第72-73页 |
| 4.2 EED问题模型 | 第73-74页 |
| 4.2.1 目标函数 | 第73-74页 |
| 4.2.2 约束函数 | 第74页 |
| 4.2.3 EED数学模型 | 第74页 |
| 4.3 基于文化进化机制和多观测策略的多目标量子粒子群算法框架及实现 | 第74-80页 |
| 4.3.1 构建种群空间和信念空间 | 第75-77页 |
| 4.3.2 更新种群空间和信念空间 | 第77-79页 |
| 4.3.3 自适应变异算子 | 第79-80页 |
| 4.4 基于CMOQPSO的环境/经济调度优化 | 第80页 |
| 4.4.1 约束处理算子 | 第80页 |
| 4.4.2 CMOQPSO优化EED问题算法流程 | 第80页 |
| 4.5 实验结果与分析 | 第80-93页 |
| 4.5.1 量化评价指标 | 第81-82页 |
| 4.5.2 算法在6发电机组的EED系统上的性能评估 | 第82-90页 |
| 4.5.3 算法在40发电机组的EED系统上的性能评估 | 第90-93页 |
| 4.6 本章小结 | 第93-94页 |
| 第五章 基于记忆策略的动态单目标量子粒子群算法 | 第94-110页 |
| 5.1 引言 | 第94-95页 |
| 5.2 动态优化环境下的记忆策略 | 第95-96页 |
| 5.3 基于记忆策略的动态单目标量子粒子群算法框架及实现 | 第96-100页 |
| 5.3.1 算法提出动机 | 第96页 |
| 5.3.2 ME-DQPSO算法框架 | 第96-97页 |
| 5.3.3 基于相似度的更新策略 | 第97-99页 |
| 5.3.4 重新初始化策略 | 第99-100页 |
| 5.4 实验结果与分析 | 第100-108页 |
| 5.4.1 动态优化问题和量化评价指标 | 第100-101页 |
| 5.4.2 子种群设置分析 | 第101-102页 |
| 5.4.3 个体最优位置选择方式分析 | 第102页 |
| 5.4.4 算法有效性分析 | 第102-107页 |
| 5.4.5 ME-DQPSO与其他进化算法的比较结果及分析 | 第107-108页 |
| 5.5 本章小结 | 第108-110页 |
| 第六章 基于文化进化机制的动态多目标量子粒子群算法 | 第110-126页 |
| 6.1 引言 | 第110-111页 |
| 6.2 动态多目标优化中的预测策略和重新初始化策略 | 第111-112页 |
| 6.2.1 预测策略 | 第111页 |
| 6.2.2 重新初始化策略 | 第111-112页 |
| 6.3 基于文化进化机制的动态多目标量子粒子群算法框架及实现 | 第112-118页 |
| 6.3.1 基于文化进化机制的动态多目标量子粒子群算法框架 | 第112-115页 |
| 6.3.2 C-DMOQPSO中的预测策略 | 第115-117页 |
| 6.3.3 C-DMOQPSO中初始化策略 | 第117-118页 |
| 6.4 实验结果与分析 | 第118-124页 |
| 6.4.1 动态多目标优化问题及评价指标 | 第118-120页 |
| 6.4.2 算法有效性分析 | 第120-124页 |
| 6.5 本章小结 | 第124-126页 |
| 第七章 总结与展望 | 第126-130页 |
| 参考文献 | 第130-146页 |
| 致谢 | 第146-148页 |
| 作者简介 | 第148-150页 |
