| 摘要 | 第1-8页 |
| Abatract | 第8-10页 |
| 第一章 绪论 | 第10-14页 |
| 1．1 研究背景 | 第10-11页 |
| 1．2 本文的研究成果 | 第11-12页 |
| 1．3 本文的组织 | 第12-14页 |
| 第二章 研究基础 | 第14-23页 |
| 2．1 引言 | 第14页 |
| 2．2 优化问题 | 第14-17页 |
| 2．2．1 局部优化 | 第15页 |
| 2．2．2 全局优化 | 第15-16页 |
| 2．2．3 NFL定理 | 第16-17页 |
| 2．3 进化算法 | 第17-18页 |
| 2．4 群智能 | 第18-19页 |
| 2．5 粒子群优化算法 | 第19-21页 |
| 2．6 粒子群优化算法与遗传算法比较 | 第21-22页 |
| 2．7 小结 | 第22-23页 |
| 第三章 粒子群优化算法 | 第23-33页 |
| 3．1 引言 | 第23页 |
| 3．2 原始粒子群优化算法 | 第23-26页 |
| 3．2．1 算法原理 | 第23-24页 |
| 3．2．2 算法流程 | 第24-25页 |
| 3．2．3 算法特征 | 第25-26页 |
| 3．3 标准粒子群优化算法 | 第26-28页 |
| 3．3．1 惯性权重(inertia weight)的引入 | 第26-27页 |
| 3．3．2 收缩因子(constriction factor)的引入 | 第27-28页 |
| 3．4 粒子群优化算法拓扑结构研究 | 第28-32页 |
| 3．4．1 代数式的变化 | 第28-29页 |
| 3．4．2 几种典型拓扑结构 | 第29页 |
| 3．4．3 试验方法 | 第29-30页 |
| 3．4．4 试验结果及讨论 | 第30-32页 |
| 3．5 小结 | 第32-33页 |
| 第四章 混合粒子群优化算法 | 第33-46页 |
| 4．1 引言 | 第33页 |
| 4．2 混合优化算法的思想 | 第33-34页 |
| 4．3 研究工作 | 第34-36页 |
| 4．3．1 前人对混合算法的研究 | 第34-35页 |
| 4．3．2 进化算子 | 第35-36页 |
| 4．4 混合算法实现 | 第36-39页 |
| 4．4．1 Hooke-Jeeves模式搜索优化 | 第36-37页 |
| 4．4．2 变异操作 | 第37页 |
| 4．4．3 混合粒子群算法的实现 | 第37-39页 |
| 4．5 测试 | 第39-45页 |
| 4．5．1 测试函数及参数设置 | 第39-40页 |
| 4．5．2 测试结果 | 第40-44页 |
| 4．5．3 讨论 | 第44-45页 |
| 4．6 小结 | 第45-46页 |
| 第五章 粒子群优化算法的应用 | 第46-55页 |
| 5．1 引言 | 第46页 |
| 5．2 粒子群优化算法在流化催化裂化反应条件优化问题中的应用 | 第46-54页 |
| 5．2．1 经验模型与神经网络模型 | 第46-48页 |
| 5．2．2 支持向量回归模型 | 第48-50页 |
| 5．2．3 基于ANN和SVR模型的反应条件优化 | 第50-54页 |
| 5．3 小结 | 第54-55页 |
| 第六章 对约束优化问题的求解 | 第55-62页 |
| 6．1 引言 | 第55-56页 |
| 6．2 PSO求解约束优化问题 | 第56-60页 |
| 6．2．1 竞争选择 | 第56-57页 |
| 6．2．2 半可行域 | 第57-58页 |
| 6．2．3 选择算子 | 第58-59页 |
| 6．2．4 两个最优个体的选择 | 第59-60页 |
| 6．2．5 算法流程 | 第60页 |
| 6．3 实验 | 第60-61页 |
| 6．3．1 参数设置 | 第60页 |
| 6．3．2 测试结果分析 | 第60-61页 |
| 6．4 小结 | 第61-62页 |
| 第七章 结论与展望 | 第62-64页 |
| 7．1 本论文的总结 | 第62页 |
| 7．2 关于未来研究的展望 | 第62-64页 |
| 参考文献 | 第64-76页 |
| 附录A 无约束测试函数 | 第76-78页 |
| 附录B 计算数据 | 第78-79页 |
| 致谢 | 第79-80页 |
| 作者在攻读硕士期间发表的论文及参与的项目 | 第80页 |
