摘要 | 第4-5页 |
ABSTRACT | 第5页 |
创新点摘要 | 第6-9页 |
第一章 绪论 | 第9-14页 |
1.1 研究背景及意义 | 第9-10页 |
1.2 国内外研究发展现状 | 第10-12页 |
1.2.1 粒子群优化算法 | 第10-11页 |
1.2.2 量子粒子群优化算法 | 第11-12页 |
1.3 论文研究内容 | 第12-13页 |
1.4 论文的安排 | 第13-14页 |
第二章 量子粒子群优化算法 | 第14-24页 |
2.1 引言 | 第14页 |
2.2 粒子群优化算法 | 第14-18页 |
2.2.1 基本粒子群算法的原理 | 第14-16页 |
2.2.2 基本粒子群算法的模型分析 | 第16-17页 |
2.2.3 基本粒子群算法的典型改进 | 第17-18页 |
2.3 量子粒子群优化算法 | 第18-22页 |
2.3.1 粒子群优化算法的缺点 | 第18-19页 |
2.3.2 势阱模型的建立 | 第19-20页 |
2.3.3 迭代方程的建立 | 第20-21页 |
2.3.4 算法实施步骤 | 第21-22页 |
2.4 传统PSO和QPSO的比较 | 第22-23页 |
2.5 本章小结 | 第23-24页 |
第三章 量子粒子群优化算法的改进研究 | 第24-47页 |
3.1 引言 | 第24页 |
3.2 混沌优化方法 | 第24-28页 |
3.2.1 混沌优化算法 | 第25-27页 |
3.2.2 混沌优化的遍历性 | 第27-28页 |
3.3 量子粒子群算法混沌初始化 | 第28-29页 |
3.4 云模型算法 | 第29-36页 |
3.4.1 云模型算法机理 | 第30-31页 |
3.4.2 云模型的数字特征分析 | 第31-34页 |
3.4.3 正态云模型的算法机理 | 第34页 |
3.4.4 正态云规则发生器分析 | 第34-36页 |
3.5 基于正态云自适应变异的QPSO | 第36-40页 |
3.5.1 正态云自适应优化策略 | 第37-38页 |
3.5.2 正态云变异优化策略 | 第38-39页 |
3.5.3 算法实施步骤 | 第39-40页 |
3.6 改进QPSO的算法流程 | 第40-41页 |
3.7 数值实验及结果分析 | 第41-46页 |
3.7.1 测试函数 | 第41页 |
3.7.2 实验参数设计及实验环境 | 第41-42页 |
3.7.3 实验结果及分析 | 第42-46页 |
3.8 本章小结 | 第46-47页 |
第四章 改进的QPSO与神经网络的融合研究 | 第47-56页 |
4.1 引言 | 第47页 |
4.2 人工神经网络 | 第47-48页 |
4.2.1 神经元结构 | 第47-48页 |
4.2.2 神经网络模型 | 第48页 |
4.3 BP神经网络算法 | 第48-51页 |
4.3.1 算法原理概述 | 第48-50页 |
4.3.2 算法优势和局限性 | 第50-51页 |
4.4 基于改进QPSO的BP神经网络训练 | 第51-52页 |
4.4.1 算法流程 | 第51-52页 |
4.4.2 关键步骤 | 第52页 |
4.5 太阳黑子数预测实验及结果分析 | 第52-55页 |
4.5.1 构造样本数据 | 第53-54页 |
4.5.2 实验参数设计及实验环境 | 第54页 |
4.5.3 实验结果及分析 | 第54-55页 |
4.6 本章小结 | 第55-56页 |
第五章 基于改进QPSO-BP网络的油田开发指标预测 | 第56-64页 |
5.1 引言 | 第56页 |
5.2 油田开发指标 | 第56-57页 |
5.2.1 油田开发指标的类别 | 第56页 |
5.2.2 油田开发指标预测方法的发展 | 第56-57页 |
5.3 含水率预测 | 第57-60页 |
5.3.1 矿场资料数据 | 第58页 |
5.3.2 实验参数设计及实验环境 | 第58-59页 |
5.3.3 实验结果及分析 | 第59-60页 |
5.4 措施效果预测 | 第60-63页 |
5.4.1 措施效果数据样本 | 第61页 |
5.4.2 实验参数设计及实验环境 | 第61-62页 |
5.4.3 实验结果及分析 | 第62-63页 |
5.5 本章小结 | 第63-64页 |
结论 | 第64-66页 |
参考文献 | 第66-70页 |
发表文章目录 | 第70-71页 |
致谢 | 第71-72页 |