| 摘要 | 第1-8页 |
| ABSTRACT | 第8-16页 |
| 表格 | 第16-19页 |
| 插图 | 第19-22页 |
| 主要符号对照表 | 第22-25页 |
| 第1章 绪论 | 第25-43页 |
| ·优化问题简介 | 第25-28页 |
| ·单目标优化问题 | 第26页 |
| ·多目标优化问题 | 第26-28页 |
| ·动态优化问题 | 第28页 |
| ·优化技术概述 | 第28-29页 |
| ·进化算法 | 第29-33页 |
| ·进化算法的分类 | 第30-31页 |
| ·EA 的优势分析 | 第31-33页 |
| ·面向数值优化的EA 研究现状 | 第33-37页 |
| ·特效算子的设计 | 第34页 |
| ·多方法融合 | 第34-37页 |
| ·本论文的主要研究内容及创新之处 | 第37-41页 |
| ·本文组织安排 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第2章 基于自适应混合分布的单变量分布估计算法 | 第43-63页 |
| ·引言 | 第43-44页 |
| ·基于空间分布估计算法 | 第44-46页 |
| ·重尾分布 | 第46-48页 |
| ·重尾分布的定义 | 第46-47页 |
| ·理论探讨 | 第47-48页 |
| ·适应度形态分析 | 第48-50页 |
| ·单峰问题 | 第49页 |
| ·多峰问题 | 第49-50页 |
| ·MUEDA 算法 | 第50-52页 |
| ·实验验证 | 第52-61页 |
| ·低维问题实验 | 第52-55页 |
| ·高维问题实验 | 第55-58页 |
| ·扩展分析实验 | 第58-61页 |
| ·本章小结 | 第61-63页 |
| 第3章 自适应学习粒子群优化算法（SLPSO） | 第63-95页 |
| ·引言 | 第63-66页 |
| ·粒子群优化算法回顾 | 第66-69页 |
| ·如何调整参数设置？ | 第66-67页 |
| ·如何增强PSO 的搜索广度？ | 第67-68页 |
| ·如何利用外部技术辅助PSO 搜索？ | 第68-69页 |
| ·基于自适应学习的粒子群优化算法 | 第69-75页 |
| ·基于差异的速度更新机制（DbV） | 第69-70页 |
| ·基于分布估计的速度更新机制（EbV） | 第70-71页 |
| ·CLPSO 和修正CLPSO（PSO-CL-pbest） | 第71页 |
| ·基于自适应学习的粒子群优化算法流程 | 第71-73页 |
| ·搜索区间分析 | 第73-75页 |
| ·函数优化实验 | 第75-90页 |
| ·函数优化问题 | 第76页 |
| ·实验结果 | 第76-83页 |
| ·讨论分析 | 第83-87页 |
| ·全局表现评估 | 第87-90页 |
| ·自适应学习行为分析 | 第90-92页 |
| ·电力系统经济负载调配优化 | 第92-93页 |
| ·本章小结 | 第93-95页 |
| 第4章 基于多进化算法的多方法融合思想验证 | 第95-105页 |
| ·多方法融合思想应用的必要性讨论 | 第95-96页 |
| ·进化算法表现多样性实验证明 | 第96-104页 |
| ·不带旋转的简单单峰优化问题 | 第98-99页 |
| ·不带旋转的简单多峰优化问题 | 第99-102页 |
| ·不带旋转的较难单峰问题 | 第102-103页 |
| ·不带旋转的较难多峰问题 | 第103页 |
| ·旋转问题 | 第103页 |
| ·整体对比 | 第103-104页 |
| ·本章小结 | 第104-105页 |
| 第5章 基于两阶段串列结构的多方法融合算法 | 第105-137页 |
| ·引言 | 第105-108页 |
| ·TSEA 流程 | 第108页 |
| ·TSEA 一般函数优化实验 | 第108-116页 |
| ·TSEA 与其子优化器的对比 | 第110-111页 |
| ·TSEA 与当前最为有效的EA 的对比 | 第111-116页 |
| ·当前最为有效的MA 的对比 | 第116页 |
| ·TSEA 大规模函数优化实验 | 第116-122页 |
| ·基于两阶段串列结构的MA | 第122-129页 |
| ·实验验证高效EA 寻优算子作为局部搜索的假设 | 第123-127页 |
| ·基于两阶段串列结构的MA 算法流程 | 第127-129页 |
| ·TSMA 实验验证 | 第129-135页 |
| ·TSMA 与其子优化器的对比 | 第129-131页 |
| ·TSMA 与当前最为有效的DE 和PSO 的对比 | 第131-132页 |
| ·当前最为有效的MA 的对比 | 第132-134页 |
| ·MUEDA、SLPSO、TSEA 与TSMA 的实验对比 | 第134-135页 |
| ·本章小结 | 第135-137页 |
| 第6章 多方法融合算法在电力系统负载调配中的应用 | 第137-155页 |
| ·引言 | 第137-138页 |
| ·ELD 优化问题数学定义 | 第138-139页 |
| ·ELD 问题的适应度形态分析 | 第139-144页 |
| ·EA 相关的ELD 优化回顾 | 第141-142页 |
| ·分布估计与差分进化合成算法 | 第142-143页 |
| ·ED-DE 时间复杂度分析 | 第143-144页 |
| ·ED-DE 的ELD 优化实验验证 | 第144-152页 |
| ·非光滑13 发电机组问题 | 第144-146页 |
| ·非光滑40 发电机组问题 | 第146-147页 |
| ·非光滑多燃料10 发电机组问题 | 第147-149页 |
| ·非光滑多燃料拓展问题 | 第149-150页 |
| ·函数优化验证 | 第150-152页 |
| ·本章小结 | 第152-155页 |
| 第7章 基于两阶段串列结构的多方法融合算法在数字IIR 滤波器设计中的应用 | 第155-173页 |
| ·EA 相关的数字IIR 滤波器设计回顾 | 第155-158页 |
| ·数字IIR 滤波器设计的数学定义 | 第156-158页 |
| ·数字IIR 滤波器设计的适应度形态分析 | 第158页 |
| ·局部搜索增强型多目标进化算法 | 第158-160页 |
| ·LS-MOEA 应用于多目标数字IIR 滤波器设计实验 | 第160-165页 |
| ·LS-MOEA 与经典滤波器设计方法的对比 | 第163-164页 |
| ·LS-MOEA 与基于单目标EA 设计方法的对比 | 第164页 |
| ·LS-MOEA 与基于NSGA-II 设计方法的对比 | 第164-165页 |
| ·TSMA 应用于数字IIR 滤波器设计讨论 | 第165页 |
| ·TSMA 应用于高阶数字IIR 滤波器设计实验 | 第165-171页 |
| ·第一组数字IIR 滤波器设计实验 | 第168-170页 |
| ·拓展数字IIR 滤波器设计实验 | 第170-171页 |
| ·本章小结 | 第171-173页 |
| 第8章 多方法融合思想在动态多目标优化的应用 | 第173-201页 |
| ·引言 | 第173-175页 |
| ·动态单目标优化 | 第174页 |
| ·静态多目标优化 | 第174页 |
| ·动态多目标优化 | 第174-175页 |
| ·技术路线探讨 | 第175-179页 |
| ·如何设计强鲁棒性的重初始化策略？ | 第175-177页 |
| ·如何在不失多样性的前提下增强搜索效率？ | 第177-179页 |
| ·基于多策略融合的动态多目标优化进化算法（MS-MOEA） | 第179-180页 |
| ·MS-MOEA 在静态多目标优化问题上的实验 | 第180-182页 |
| ·MS-MOEA 在DMO 问题上的实验 | 第182-198页 |
| ·测试问题 | 第184-186页 |
| ·评估标准 | 第186页 |
| ·在FDA 测试集上的实验对比结果 | 第186-187页 |
| ·在DMZDT 测试集和WYL 问题上的实验对比结果 | 第187-196页 |
| ·实验结果总体评价 | 第196-198页 |
| ·本章小节 | 第198-201页 |
| 第9章 总结与展望 | 第201-205页 |
| ·全文总结 | 第201-203页 |
| ·未来研究展望 | 第203-205页 |
| 参考文献 | 第205-219页 |
| 致谢 | 第219-221页 |
| 读研期间发表的学术论文与取得的研究成果 | 第221-225页 |
| 已发表期刊论文 | 第221-222页 |
| 已发表会议论文 | 第222-223页 |
| 读研期间所参与的实验室研究项目 | 第223页 |
| 读研期间作为项目负责人主持完成的研究项目 | 第223-224页 |
| 读研期间获得的主要奖项 | 第224-225页 |
