| 摘要 | 第1-3页 |
| Abstract | 第3-7页 |
| 第一章 绪论 | 第7-11页 |
| ·研究背景和课题意义 | 第7-8页 |
| ·采用的研究方法 | 第8-9页 |
| ·本文的主要创新点 | 第9页 |
| ·论文内容介绍 | 第9-11页 |
| 第二章 优化理论 | 第11-18页 |
| ·优化概论概念 | 第11-14页 |
| ·局部优化算法 | 第12页 |
| ·全局优化算法 | 第12-13页 |
| ·多目标优化 | 第13-14页 |
| ·没有免费午餐定理 | 第14页 |
| ·进化计算 | 第14-15页 |
| ·群智能 | 第15-18页 |
| ·群智能概念 | 第15-16页 |
| ·蚁群算法 | 第16-17页 |
| ·粒子群算法(PSO)与蚁群算法(ACO)比较 | 第17-18页 |
| 第三章 粒子群优化算法原理 | 第18-30页 |
| ·引言 | 第18页 |
| ·原始粒子群优化算法 | 第18-20页 |
| ·算法原理 | 第18-19页 |
| ·算法流程 | 第19页 |
| ·全局模型与局部模型 | 第19-20页 |
| ·同步与异步模型 | 第20页 |
| ·标准粒子群优化算法 | 第20-21页 |
| ·惯性权重(inertia weight)的引入 | 第20-21页 |
| ·收缩因子(constriction factor)的引入 | 第21页 |
| ·粒子群优化算法收敛性分析 | 第21-25页 |
| ·粒子群优化算法种群拓扑结构研究 | 第25-29页 |
| ·代数式的变化 | 第25页 |
| ·几种典型种群拓扑结构 | 第25-26页 |
| ·试验方法 | 第26-27页 |
| ·试验结果的分析及讨论 | 第27-29页 |
| ·小结 | 第29-30页 |
| 第四章 改进的粒子群算法 | 第30-38页 |
| ·改进背景 | 第30页 |
| ·改进思路 | 第30-34页 |
| ·算法参数的改进 | 第30-33页 |
| ·混合算法 | 第33-34页 |
| ·已有的改进算法 | 第34-38页 |
| ·模糊自适应PSO(FAPSO) | 第34-35页 |
| ·杂交PSO(HPSO)模型 | 第35-36页 |
| ·离散二进制模型 | 第36页 |
| ·协同PSO 算法 | 第36-37页 |
| ·混沌粒子群优化模型 | 第37页 |
| ·免疫粒子群优化模型 | 第37-38页 |
| 第五章 基于中值迭代函数的自适应序列生境粒子群算法 | 第38-47页 |
| ·引言 | 第38页 |
| ·基于中值迭代函数的自适应小生境技术 | 第38-40页 |
| ·算法的基本理论 | 第38-39页 |
| ·中值迭代函数算法的时间复杂度分析 | 第39-40页 |
| ·基于中值迭代函数的自适应序列生境粒子群优化算法 | 第40-41页 |
| ·基本原理 | 第40页 |
| ·算法分析 | 第40-41页 |
| ·适应值函数的修改 | 第41页 |
| ·数值实验 | 第41-44页 |
| ·停止原则、参数选择 | 第41页 |
| ·RMPSO 算法与Beasley 的序列生境遗传算法(SNGA)性能比较 | 第41-43页 |
| ·RMPSO 算法与Ursem 的基于山谷函数的多目标遗传算法算法(HV-MGA)性能比较 | 第43-44页 |
| ·复杂高维函数的寻优测试 | 第44-46页 |
| ·小结 | 第46-47页 |
| 第六章 基于改进粒子群算法的PID 参数整定中的应用 | 第47-55页 |
| ·引言 | 第47页 |
| ·PID 控制原理 | 第47-48页 |
| ·PID 控制的特点及现有的PID 控制器的参数整定方法 | 第48-49页 |
| ·PID 控制的特点 | 第48页 |
| ·现有的PID 控制器的参数整定方法 | 第48-49页 |
| ·基于中值迭代函数自适应序列生境粒子群算法的PID 参数整定 | 第49-50页 |
| ·仿真研究 | 第50-54页 |
| ·采用的性能指标 | 第50-51页 |
| ·试验结果 | 第51-54页 |
| ·小结 | 第54-55页 |
| 第七章 结论与展望 | 第55-57页 |
| ·本论文的总结 | 第55页 |
| ·关于未来研究的展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60-61页 |
| 个人简历在学期间发表的学术论文与研究成果 | 第61页 |
