| 摘要 | 第1-5页 |
| ABSTRACT | 第5-13页 |
| 1 绪论 | 第13-31页 |
| ·前言 | 第13页 |
| ·群体智能概述 | 第13-18页 |
| ·群体智能的概念与特点 | 第13-15页 |
| ·群体智能中的知识涌现 | 第15-16页 |
| ·群体智能研究方法 | 第16-18页 |
| ·群体智能优化算法 | 第18-23页 |
| ·蚁群算法 | 第18-22页 |
| ·粒子群优化算法 | 第22-23页 |
| ·粒子群优化算法的研究现状 | 第23-26页 |
| ·粒子群优化算法的研究方向 | 第24-25页 |
| ·粒子群优化算法的应用现状 | 第25-26页 |
| ·粒子群优化算法面临的难题 | 第26-27页 |
| ·本文的主要成果 | 第27-29页 |
| ·本文的组织结构 | 第29-31页 |
| 2 粒子群优化算法框架、原理及改进策略 | 第31-43页 |
| ·引言 | 第31页 |
| ·粒子群优化算法的统一框架 | 第31-32页 |
| ·粒子群优化算法的设计步骤 | 第32-33页 |
| ·粒子群优化算法描述 | 第33-35页 |
| ·算法原理 | 第33-34页 |
| ·算法流程 | 第34-35页 |
| ·算法拓扑结构 | 第35页 |
| ·算法邻域结构 | 第35页 |
| ·粒子群优化算法与其他进化算法比较 | 第35-36页 |
| ·粒子群优化算法的改进策略 | 第36-41页 |
| ·调整惯性权重 | 第37-38页 |
| ·引入收缩因子 | 第38页 |
| ·调整粒子状态量 | 第38-39页 |
| ·引入邻域算子 | 第39页 |
| ·使用新的组织结构 | 第39-40页 |
| ·结合进化计算 | 第40页 |
| ·其他改进策略 | 第40-41页 |
| ·本章小结 | 第41-43页 |
| 3 粒子群优化算法的收敛性分析及混沌改进 | 第43-59页 |
| ·引言 | 第43页 |
| ·粒子群优化算法收敛性分析 | 第43-46页 |
| ·粒子轨迹收敛分析 | 第44-45页 |
| ·粒子速度收敛分析 | 第45-46页 |
| ·混沌粒子群优化算法 | 第46-53页 |
| ·混沌及其特性 | 第46-47页 |
| ·算法基本思想 | 第47页 |
| ·算法流程 | 第47-48页 |
| ·算法测试与结果分析 | 第48-53页 |
| ·自适应混沌粒子群优化算法 | 第53-57页 |
| ·群体早熟收敛程度评价 | 第53-54页 |
| ·自适应调整策略 | 第54-55页 |
| ·算法流程 | 第55-56页 |
| ·算法效果分析 | 第56-57页 |
| ·本章小结 | 第57-59页 |
| 4 基于混沌粒子群和蚁群算法的非规则非致密数据聚类方法 | 第59-73页 |
| ·引言 | 第59页 |
| ·非规则非致密数据聚类问题 | 第59-61页 |
| ·近邻函数准则算法 | 第61-62页 |
| ·动态自适应蚁群算法 | 第62-67页 |
| ·蚁群算法的改进策略 | 第63-64页 |
| ·动态自适应蚁群算法描述 | 第64-66页 |
| ·仿真实验与结果 | 第66-67页 |
| ·粒子群优化算法优化蚁群算法参数 | 第67页 |
| ·基于混沌粒子群和蚁群算法的非规则非致密数据聚类方法 | 第67-70页 |
| ·算法描述 | 第67-68页 |
| ·算法流程 | 第68-69页 |
| ·实验结果与分析 | 第69-70页 |
| ·本章小结 | 第70-73页 |
| 5 粒子群优化算法优化神经网络结构和参数 | 第73-93页 |
| ·引言 | 第73-74页 |
| ·混沌粒子群结合离散粒子群算法优化前向网络结构与参数 | 第74-83页 |
| ·神经网络结构优化方法分析 | 第74-76页 |
| ·离散粒子群优化算法 | 第76-77页 |
| ·网络结构模型 | 第77-78页 |
| ·粒子编码及适应度计算 | 第78-79页 |
| ·优化前向网络结构和参数的混合粒子群优化算法 | 第79页 |
| ·在旋转机械故障诊断中的应用 | 第79-81页 |
| ·在高炉铁水温度预报中的应用 | 第81-83页 |
| ·混沌粒子群优化算法优化自组织特征映射网络 | 第83-91页 |
| ·自组织特征映射网络 | 第83-86页 |
| ·引入核函数进行数据预处理 | 第86-87页 |
| ·粒子编码及适应度计算 | 第87页 |
| ·基于PSO 和SOM 的聚类算法 | 第87-88页 |
| ·算法评价准则 | 第88-89页 |
| ·实验结果与分析 | 第89-91页 |
| ·本章小结 | 第91-93页 |
| 6 基于混沌粒子群优化和模糊 C 均值聚类的入侵检测方法 | 第93-107页 |
| ·引言 | 第93-94页 |
| ·入侵检测方法 | 第94-96页 |
| ·研究现状 | 第94-95页 |
| ·存在的主要问题 | 第95-96页 |
| ·聚类分析在入侵检测系统中的应用 | 第96页 |
| ·模糊C 均值(FCM)算法 | 第96-98页 |
| ·基于CPSO 和FCM 的异常检测算法 | 第98-100页 |
| ·CPSO-FCM 聚类算法 | 第98-99页 |
| ·标类算法 | 第99-100页 |
| ·异常检测算法 | 第100页 |
| ·实验及结果分析 | 第100-106页 |
| ·实验数据准备 | 第100-101页 |
| ·算法评价指标 | 第101页 |
| ·检测阈值 T 优选测试 | 第101-103页 |
| ·ROC 测试 | 第103-106页 |
| ·本章小结 | 第106-107页 |
| 7 总结与展望 | 第107-111页 |
| ·全文总结 | 第107-108页 |
| ·未来研究展望 | 第108-111页 |
| 致谢 | 第111-113页 |
| 参考文献 | 第113-123页 |
| 附录 | 第123-125页 |
