| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第12-24页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 智能算法与压气机气动优化设计研究现状 | 第13-21页 |
| 1.2.1 气动优化设计技术研究现状 | 第13-16页 |
| 1.2.2 遗传算法在优化设计中的应用研究现状 | 第16-17页 |
| 1.2.3 仿生智能算法研究与应用现状 | 第17-18页 |
| 1.2.4 现代人工智能技术发展概况 | 第18-21页 |
| 1.3 本文的主要工作 | 第21-24页 |
| 第二章 仿生智能算法研究与改进设计 | 第24-72页 |
| 2.1 遗传算法研究与改进 | 第24-36页 |
| 2.1.1 标准遗传算法研究 | 第24-27页 |
| 2.1.2 遗传算法改进：变比率交叉算法设计 | 第27-33页 |
| 2.1.3 变比率三体交叉算法设计 | 第33-36页 |
| 2.2 遗传算法拓展：分布式遗传算法设计 | 第36-40页 |
| 2.2.1 遗传算法的缺陷 | 第37页 |
| 2.2.2 分布式遗传算法设计 | 第37-39页 |
| 2.2.3 分布式遗传算法改进设计 | 第39-40页 |
| 2.3 微分进化算法研究与改进 | 第40-51页 |
| 2.3.1 微分进化算法的基本原理及数学模型 | 第40-44页 |
| 2.3.2 微分进化算法的控制参数设置及影响研究 | 第44-47页 |
| 2.3.3 微分进化算法改进：高斯随机缩放DE算法设计 | 第47-51页 |
| 2.4 蜂群算法研究与改进 | 第51-56页 |
| 2.4.1 蜂群算法的基本原理 | 第51-55页 |
| 2.4.2 蜂群算法改进：邻域选择蜂群算法设计 | 第55-56页 |
| 2.5 并行蜂群设计：粗粒度分布式蜂群算法 | 第56-62页 |
| 2.5.1 粗粒度模型 | 第57-58页 |
| 2.5.2 粗粒度分布式蜂群算法设计 | 第58-62页 |
| 2.6 遗传算法、微分进化与蜂群算法数值仿真实验 | 第62-70页 |
| 2.6.1 Benchmark测试函数 | 第62-64页 |
| 2.6.2 梯度下降法优化实验 | 第64-67页 |
| 2.6.3 智能算法优化实验 | 第67-70页 |
| 2.7 本章小结 | 第70-72页 |
| 第三章 支持向量机算法改进与非线性函数回归研究 | 第72-96页 |
| 3.1 误差反向传播神经网络研究 | 第72-77页 |
| 3.1.1 误差反向传播网络模型 | 第72-73页 |
| 3.1.2 误差反向传播学习算法 | 第73-76页 |
| 3.1.3 BP算法的改进 | 第76-77页 |
| 3.2 统计学习与支持向量机研究 | 第77-83页 |
| 3.2.1 统计学习 | 第78-80页 |
| 3.2.2 支持向量机 | 第80-83页 |
| 3.3 非线性函数逼近性能数值实验研究 | 第83-91页 |
| 3.3.1 回归分析：二维三角函数 | 第83-84页 |
| 3.3.2 回归分析：二维多极值函数 | 第84-86页 |
| 3.3.3 回归分析：三维函数的回归分析 | 第86-91页 |
| 3.4 支持向量机算法改进：蜂群-支持向量机(ABC-SVM)算法设计 | 第91-93页 |
| 3.4.1 ABC-SVM算法设计 | 第91-92页 |
| 3.4.2 ABC-SVM数值优化实验 | 第92-93页 |
| 3.5 本章小结 | 第93-96页 |
| 第四章 压气机叶型参数化设计技术研究 | 第96-120页 |
| 4.1 常用参数化法 | 第96-105页 |
| 4.1.1 Hicks-Henne参数化 | 第96-97页 |
| 4.1.2 特征参数描述法 | 第97-98页 |
| 4.1.3 正交基函数法 | 第98页 |
| 4.1.4 CST方法 | 第98-102页 |
| 4.1.5 NURBS参数化法 | 第102-105页 |
| 4.2 基于CST的压气机叶型参数化方法分析 | 第105-112页 |
| 4.2.1 CST方法中权重因子的反算 | 第106-107页 |
| 4.2.2 CST拟合的有效性验证 | 第107-108页 |
| 4.2.3 CST参数化叶栅拟合效果分析 | 第108-112页 |
| 4.3 基于NURBS的压气机叶型参数化方法分析 | 第112-118页 |
| 4.3.1 NURBS控制点反求 | 第112-115页 |
| 4.3.2 NURBS拟合方法有效性验证 | 第115-116页 |
| 4.3.3 NURBS叶栅拟合分析 | 第116-118页 |
| 4.4 本章小结 | 第118-120页 |
| 第五章 压气机叶型智能优化设计及实验研究 | 第120-156页 |
| 5.1 附面层抽吸的机理 | 第121-125页 |
| 5.1.1 附面层抽吸对下游附面层动量厚度的影响 | 第121-123页 |
| 5.1.2 附面层未分离时抽吸 | 第123-124页 |
| 5.1.3 附面层分离时抽吸的影响 | 第124-125页 |
| 5.2 吸附式压气机叶栅数值模拟方法 | 第125-128页 |
| 5.2.1 控制方程 | 第125-127页 |
| 5.2.2 人工粘性 | 第127-128页 |
| 5.3 基于蜂群算法的吸附式叶型智能优化设计 | 第128-150页 |
| 5.3.1 奇异叶型的产生机理及消除措施 | 第129-132页 |
| 5.3.2 NURBS在压气机叶型参数化中的应用 | 第132-133页 |
| 5.3.3 流场求解程序 | 第133页 |
| 5.3.4 流场求解器的实验验证 | 第133-140页 |
| 5.3.5 优化目标和优化变量 | 第140页 |
| 5.3.6 实例一：大弯角亚音叶型优化设计 | 第140-145页 |
| 5.3.7 实例二：吸附式叶型优化设计研究 | 第145-150页 |
| 5.4 智能优化设计系统实验验证研究 | 第150-155页 |
| 5.4.1 叶型智能优化设计 | 第150-152页 |
| 5.4.2 优化叶型实验研究 | 第152-155页 |
| 5.4.3 实验结论 | 第155页 |
| 5.5 本章小结 | 第155-156页 |
| 第六章 蜂群-支持向量机混合算法改进与压气机叶片优化设计 | 第156-170页 |
| 6.1 蜂群-支持向量机算法的改进:DE-ABC-SVM | 第156-159页 |
| 6.1.1 样本选择与初始模型设计技术研究 | 第156-158页 |
| 6.1.2 自适应微分蜂群-支持向量机算法设计：DE-ABC-SVM | 第158-159页 |
| 6.2 DE-ABC-SVM算法数值实验研究 | 第159-162页 |
| 6.2.1 Sphere函数优化实验 | 第159-161页 |
| 6.2.2 Ackley函数优化实验 | 第161-162页 |
| 6.3 基于DE-ABC-SVM的叶型优化设计 | 第162-169页 |
| 6.4 本章小结 | 第169-170页 |
| 第七章 总结与展望 | 第170-174页 |
| 7.1 研究总结 | 第170页 |
| 7.2 论文的创新点 | 第170-171页 |
| 7.3 研究展望 | 第171-174页 |
| 参考文献 | 第174-190页 |
| 附录 符号表 | 第190-191页 |
| 致谢 | 第191-192页 |
| 攻读博士学位期间发表的学术论文和参加科研情况 | 第192-193页 |
