| 第一章 绪论 | 第1-16页 |
| ·研究目的与意义 | 第10-11页 |
| ·计算智能概述 | 第11-14页 |
| ·论文的研究工作 | 第14-16页 |
| 第二章 计算智能方法概述 | 第16-43页 |
| ·人工神经网络 | 第16-23页 |
| ·人工神经网络的发展历史 | 第16-17页 |
| ·神经元及变换函数 | 第17-18页 |
| ·神经网络的基本特性 | 第18-19页 |
| ·神经网络的拓扑结构 | 第19-20页 |
| ·神经网络的分类 | 第20-21页 |
| ·神经网络的工作方式 | 第21页 |
| ·神经网络的学习方法 | 第21-23页 |
| ·遗传算法简介 | 第23-28页 |
| ·遗传算法的基本原理 | 第24-26页 |
| ·遗传算法的数学机理 | 第26-28页 |
| ·遗传算法的特点 | 第28页 |
| ·模拟退火简介 | 第28-32页 |
| ·物理退火过程和Metropolis 准则 | 第29-30页 |
| ·组合优化与物理退火的相似性 | 第30页 |
| ·模拟退火算法的基本思想和步骤 | 第30-31页 |
| ·模拟退火实现技术 | 第31-32页 |
| ·粒子群优化简介 | 第32-34页 |
| ·粒子群优化算法的数学抽象和实现 | 第32-34页 |
| ·蚁群算法简介 | 第34-37页 |
| ·蚁群算法的原理 | 第34-36页 |
| ·蚁群算法的特点 | 第36-37页 |
| ·人工免疫系统简介 | 第37-42页 |
| ·人工免疫系统的概念与范畴 | 第37-38页 |
| ·人工免疫系统原理 | 第38-39页 |
| ·免疫算法与体液免疫的关系 | 第39-41页 |
| ·免疫算法的运行机制 | 第41-42页 |
| ·小结 | 第42-43页 |
| 第三章 进化 ELMAN 神经网络模型与非线性系统辨识 | 第43-59页 |
| ·引言 | 第43页 |
| ·系统辨识及神经网络的辨识过程 | 第43-46页 |
| ·ELMAN网络 | 第46-48页 |
| ·基于AGA 的进化ELMAN 网络算法 | 第48-53页 |
| ·编码方式 | 第48页 |
| ·适应度函数 | 第48-49页 |
| ·选择操作 | 第49-50页 |
| ·交叉操作 | 第50-51页 |
| ·变异操作 | 第51-52页 |
| ·结构调整 | 第52-53页 |
| ·辨识策略与数值模拟结果 | 第53-57页 |
| ·辨识策略一 | 第53-55页 |
| ·辨识策略二 | 第55-57页 |
| ·小结 | 第57页 |
| 附录A. 纵向振动超声马达的数学模型 | 第57-59页 |
| 第四章 基于异化粒子群优化的动态递归神经网络及应用 | 第59-68页 |
| ·引言 | 第59页 |
| ·异化粒子群优化算法 | 第59-60页 |
| ·基于DPSO 的ELMAN 网络学习算法 | 第60-61页 |
| ·基于DPSO 学习算法的ELMAN网络对超声马达的辨识 | 第61-64页 |
| ·基于DPSO 学习算法的ELMAN网络对超声马达的速度控制 | 第64-67页 |
| ·小结 | 第67-68页 |
| 第五章 一种时滞递归神经网络及应用 | 第68-80页 |
| ·引言 | 第68页 |
| ·一种时滞递归神经网络结构 | 第68-69页 |
| ·DTRNN 网络的学习算法 | 第69-71页 |
| ·DTRNN 网络的稳定性 | 第71-75页 |
| ·DTRNN 网络性能的测试 | 第75-79页 |
| ·非线性时变系统辨识 | 第75-76页 |
| ·双线性DGP 系统控制 | 第76-77页 |
| ·倒立摆系统控制 | 第77-79页 |
| ·小结 | 第79-80页 |
| 第六章 解决 TSP 问题的遗传算子的设计与机理分析 | 第80-97页 |
| ·引言 | 第80页 |
| ·TSP 问题的数学描述 | 第80-82页 |
| ·求解TSP 问题的遗传算法 | 第82-88页 |
| ·编码方式与适应度函数 | 第82-83页 |
| ·初始群体生成 | 第83页 |
| ·选择操作 | 第83-84页 |
| ·交叉操作 | 第84-86页 |
| ·变异操作 | 第86-87页 |
| ·进化逆转操作 | 第87-88页 |
| ·模拟实验结果与分析 | 第88-96页 |
| ·不同遗传操作组合的算法 | 第88-89页 |
| ·模拟实验结果 | 第89页 |
| ·对实验结果的分析 | 第89-93页 |
| ·选择方式对优化结果的影响 | 第93-94页 |
| ·进化逆转对优化结果的影响 | 第94-96页 |
| ·结论 | 第96-97页 |
| 第七章 基于隐马尔可夫模型和免疫粒子群优化的多序列比对算法 | 第97-109页 |
| ·引言 | 第97-98页 |
| ·多重序列比对的隐马尔可夫模型 | 第98-101页 |
| ·多重序列比对 | 第98-99页 |
| ·隐马尔可夫模型 | 第99-100页 |
| ·多重序列比对的隐马尔可夫模型 | 第100-101页 |
| ·免疫粒子群优化算法 | 第101-105页 |
| ·基于IPSO 的多序列比对 | 第105-107页 |
| ·数值模拟实验 | 第107-108页 |
| ·Balibase2.0 基准库(benchmark) | 第107页 |
| ·数值模拟结果 | 第107-108页 |
| ·结论 | 第108-109页 |
| 第八章 车间作业调度问题的智能优化算法 | 第109-148页 |
| ·引言 | 第109-110页 |
| ·车间作业调度 | 第110-112页 |
| ·Job Shop 调度问题描述 | 第110-111页 |
| ·JSSP 性能指标的正规性、等价性和活动调度 | 第111-112页 |
| ·基于粒子群优化的车间作业调度问题求解 | 第112-121页 |
| ·粒子群系统中JSSP 问题的表述 | 第113页 |
| ·初始粒子群生成 | 第113-114页 |
| ·目标函数和适应度函数 | 第114-115页 |
| ·冗余性与二级编码 | 第115-116页 |
| ·粒子群系统的更新方式 | 第116-117页 |
| ·基于粒子群优化求解JSSP 问题的流程 | 第117-119页 |
| ·数值模拟实验及结果 | 第119-121页 |
| ·基于人工免疫系统的车间作业调度问题求解 | 第121-127页 |
| ·抗体群初始化算法 | 第121-122页 |
| ·亲和力的计算和调整 | 第122页 |
| ·克隆选择 | 第122-123页 |
| ·疫苗接种和变异 | 第123-124页 |
| ·受体编辑 | 第124页 |
| ·基于免疫系统求解JSSP 的流程 | 第124-125页 |
| ·数值模拟实验及结果 | 第125-127页 |
| ·基于粒子群优化与人工免疫系统的混合智能算法求解车间作业调度问题 | 第127-138页 |
| ·基于PSO 和AIS 的混合智能算法 | 第127-128页 |
| ·数值模拟实验及结果 | 第128-138页 |
| ·基于相遇算法和模拟退火的混合算法求解车间调度问题 | 第138-146页 |
| ·基本蚁群算法的过程 | 第138-139页 |
| ·相遇算法 | 第139-140页 |
| ·Job-Shop 问题的图形化定义 | 第140-141页 |
| ·求解Job-Shop 问题的相遇算法 | 第141-143页 |
| ·MMMS 与SA 的混合算法求解Job-Shop 问题 | 第143-145页 |
| ·数值模拟实验 | 第145-146页 |
| ·小结 | 第146-148页 |
| 第九章 结论与展望 | 第148-151页 |
| 参考文献 | 第151-169页 |
| 致谢 | 第169-170页 |
| 作者在攻读博士学位期间发表与完成的论文 | 第170-172页 |
| 作者在攻读博士学位期间参加的科研项目 | 第172-173页 |
| 学位论文摘要 | 第173-177页 |
| ABSTRACT | 第177-182页 |
