| 摘要 | 第5-7页 |
| ABSTRACT | 第7-10页 |
| 第一章 绪论 | 第14-30页 |
| 1.1 研究背景及意义 | 第14-17页 |
| 1.2 国内外研究现状 | 第17-26页 |
| 1.3 本文主要研究工作 | 第26-27页 |
| 1.4 本文结构 | 第27-30页 |
| 第二章 两种典型的群智能优化算法简介 | 第30-38页 |
| 2.1 粒子群优化算法 | 第30-33页 |
| 2.1.1 算法依据 | 第30页 |
| 2.1.2 参数初始化 | 第30-31页 |
| 2.1.3 粒子更新操作 | 第31-33页 |
| 2.2 差分进化算法 | 第33-36页 |
| 2.2.1 初始化 | 第33-34页 |
| 2.2.2 变异操作 | 第34页 |
| 2.2.3 交叉操作 | 第34-35页 |
| 2.2.4 选择操作 | 第35页 |
| 2.2.5 参数设定 | 第35页 |
| 2.2.6 其他变异模式 | 第35-36页 |
| 2.3 本章小结 | 第36-38页 |
| 第三章 基于多阶扰动和差分指向性的多参数自适应差分进化算法 | 第38-62页 |
| 3.1 相关算法介绍 | 第39-41页 |
| 3.2 多阶段扰动和差分指向性策略 | 第41-43页 |
| 3.2.1 DE/current-to-pbest简介 | 第41页 |
| 3.2.2 多阶扰动策略 | 第41-42页 |
| 3.2.3 差分指向性策略 | 第42-43页 |
| 3.3 多参数自适应机制 | 第43-45页 |
| 3.4 仿真实验结果分析 | 第45-59页 |
| 3.4.1 各参数对算法的影响分析 | 第45-48页 |
| 3.4.2 对比仿真实验结果分析 | 第48-54页 |
| 3.4.3 与其他进化算法的比较 | 第54-59页 |
| 3.5 本章小结 | 第59-62页 |
| 第四章 基于顶底策略及失败个体驱动的自适应差分进化算法 | 第62-84页 |
| 4.1 背景介绍 | 第62-63页 |
| 4.2 ATBDE算法介绍 | 第63-72页 |
| 4.2.1 动机和新颖性 | 第63页 |
| 4.2.2 顶-底策略 | 第63-64页 |
| 4.2.3 T_g和B_g的规模选择分析 | 第64-67页 |
| 4.2.4 参数自适应策略 | 第67-68页 |
| 4.2.5 参数mF和mCR选取策略 | 第68-69页 |
| 4.2.6 失败记忆操作 | 第69-70页 |
| 4.2.7 ATBDE算法流程和计算复杂度分析 | 第70-72页 |
| 4.3 算法性能对比分析 | 第72-83页 |
| 4.3.1 基准测试函数 | 第72-74页 |
| 4.3.2 参数设置 | 第74页 |
| 4.3.3 参数maxFail分析 | 第74-76页 |
| 4.3.4 仿真结果与分析 | 第76-83页 |
| 4.4 本章小结 | 第83-84页 |
| 第五章 基于环形拓扑结构和变比例变异的精英学习策略的粒子群算法 | 第84-112页 |
| 5.1 相关粒子群算法 | 第85-86页 |
| 5.2 环形拓扑结构框架的设计 | 第86-89页 |
| 5.3 精英选择和学习策略 | 第89-90页 |
| 5.4 变比例变异策略 | 第90-91页 |
| 5.5 局部搜索策略 | 第91-92页 |
| 5.6 LSERPSO算法的主流程 | 第92-93页 |
| 5.7 仿真实验结果与分析 | 第93-110页 |
| 5.7.1 基准测试函数 | 第94页 |
| 5.7.2 各策略对算法的影响 | 第94-101页 |
| 5.7.3 仿真实验结果与分析 | 第101-110页 |
| 5.8 本章小结 | 第110-112页 |
| 第六章 基于PCA分组策略的大规模优化算法 | 第112-126页 |
| 6.1 引言 | 第112-113页 |
| 6.2 相关背景介绍 | 第113-117页 |
| 6.2.1 主成分分析 | 第113-114页 |
| 6.2.2 协同合作进化框架 | 第114-116页 |
| 6.2.3 几类主要的分组策略 | 第116-117页 |
| 6.3 基于主成分分析的协同合作优化算法 | 第117-121页 |
| 6.3.1 主成分分析的分组策略 | 第117-120页 |
| 6.3.2 基于CC框架的PCA分组 | 第120-121页 |
| 6.4 实验结果及分析 | 第121-124页 |
| 6.5 本章小结 | 第124-126页 |
| 第七章 改进粒子群算法在作业车间调度中的应用研究 | 第126-138页 |
| 7.1 引言 | 第126页 |
| 7.2 作业车间调度问题描述及其数学模型 | 第126-130页 |
| 7.3 基于改进粒子群的作业车间调度算法 | 第130-132页 |
| 7.3.1 编码操作 | 第130-131页 |
| 7.3.2 种群初始化 | 第131页 |
| 7.3.3 改进粒子群算法 | 第131-132页 |
| 7.3.4 解码操作与适应度值 | 第132页 |
| 7.4 算法流程 | 第132-133页 |
| 7.5 实例结果分析 | 第133-137页 |
| 7.6 本章小结 | 第137-138页 |
| 第八章 总结与展望 | 第138-140页 |
| 8.1 全文总结 | 第138-139页 |
| 8.2 工作展望 | 第139-140页 |
| 参考文献 | 第140-156页 |
| 致谢 | 第156-158页 |
| 攻读学位期间的学术成果 | 第158页 |
