| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-9页 |
| Extended Abstract | 第9-12页 |
| 目录 | 第12-18页 |
| 1 前言 | 第18-26页 |
| ·课题背景及意义 | 第18-19页 |
| ·本文的研究目标 | 第19-20页 |
| ·本文的研究内容及组织结构 | 第20-23页 |
| ·本文的创新点 | 第23-24页 |
| ·本章小结 | 第24-26页 |
| 2 粒子群算法的理论与方法 | 第26-46页 |
| ·引言 | 第26页 |
| ·群体智能 | 第26-27页 |
| ·粒子群优化 | 第27-32页 |
| ·粒子的轨迹 | 第32-36页 |
| ·粒子群算法的收敛性 | 第36-37页 |
| ·粒子群算法的参数选择 | 第37-38页 |
| ·粒子群算法的记忆性 | 第38-39页 |
| ·粒子群算法的多样性 | 第39-40页 |
| ·粒子群算法的其它改进 | 第40-41页 |
| ·多子群粒子群算法 | 第41-45页 |
| ·本章小结 | 第45-46页 |
| 3 纵向参数多子群粒子群算法 | 第46-60页 |
| ·引言 | 第46页 |
| ·粒子的特性 | 第46-47页 |
| ·纵向参数多子群粒子算法（VPMSPSO）的基本思想 | 第47-48页 |
| ·纵向参数的基本概念 | 第48-50页 |
| ·子群的进化规则 | 第50页 |
| ·纵向参数多子群粒子群算法（VPMSPSO）算法流程 | 第50-51页 |
| ·纵向参数多子群粒子群算法的收敛性 | 第51-56页 |
| ·子群收敛性 | 第56-59页 |
| ·本章小结 | 第59-60页 |
| 4 子群与粒子的行为分析 | 第60-74页 |
| ·引言 | 第60页 |
| ·粒子运动的稳定性 | 第60-62页 |
| ·粒子轨迹 | 第62-66页 |
| ·粒子行为仿真 | 第66-68页 |
| ·子群的行为分析 | 第68-72页 |
| ·本章小结 | 第72-74页 |
| 5 子群多样性及算法性能分析 | 第74-92页 |
| ·引言 | 第74页 |
| ·粒子子群的欠收敛与过收敛 | 第74页 |
| ·遗传算法的多样性 | 第74-78页 |
| ·粒子的多样性 | 第78-79页 |
| ·子群的多样性 | 第79-83页 |
| ·基于子群多样性的VPMSPSO 算法 | 第83-84页 |
| ·VPMSPSO.diversity 收敛性证明 | 第84-85页 |
| ·实例分析 | 第85-86页 |
| ·VPMSPSO 算法性能分析 | 第86-90页 |
| ·本章小结 | 第90-92页 |
| 6 基于VPMSPSO 自适应聚类算法 | 第92-102页 |
| ·引言 | 第92页 |
| ·聚类分析 | 第92-94页 |
| ·C-均值算法 | 第94-95页 |
| ·纵向参数多子群粒子群算法与C-均值算法的异同 | 第95-96页 |
| ·基于VPMSPSO 自适应聚类算法 | 第96-98页 |
| ·实例分析 | 第98-101页 |
| ·本章小结 | 第101-102页 |
| 7 基于VPMSPSO 算法分类规则提取 | 第102-112页 |
| ·引言 | 第102页 |
| ·数据分类与规则 | 第102-105页 |
| ·基于VPMSPSO 算法的分类规则提取 | 第105-109页 |
| ·实例分析 | 第109-110页 |
| ·本章小结 | 第110-112页 |
| 8 纵向参数多子群粒子群算法的应用 | 第112-132页 |
| ·VPMSPSO 在神经网络训练中的应用 | 第112-122页 |
| ·VPMSPSO 算法在煤矿涌水量和瓦斯涌出浓度预测中的应用 | 第122-130页 |
| ·本章小结 | 第130-132页 |
| 9 结论与展望 | 第132-134页 |
| ·本文所做的主要工作和结论 | 第132-133页 |
| ·研究展望 | 第133-134页 |
| 参考文献 | 第134-148页 |
| 作者简历 | 第148-152页 |
| 学位论文数据集 | 第152页 |
