| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 引言 | 第9页 |
| 1.2 粒子群算法研究现状 | 第9-12页 |
| 1.2.1 粒子群算法的理论研究 | 第10页 |
| 1.2.2 粒子群算法的性能改进研究 | 第10-11页 |
| 1.2.3 粒子群算法的应用研究 | 第11-12页 |
| 1.3 本文研究内容和创新点 | 第12页 |
| 1.4 论文结构 | 第12-14页 |
| 第二章 研究的理论基础 | 第14-26页 |
| 2.1 优化问题与方法 | 第14-15页 |
| 2.1.1 优化问题 | 第14页 |
| 2.1.2 优化方法 | 第14-15页 |
| 2.2 粒子群优化算法 | 第15-18页 |
| 2.2.1 基本粒子群优化算法 | 第15-17页 |
| 2.2.2 标准粒子群优化算法 | 第17-18页 |
| 2.3 粒子群算法的几种常见改进研究 | 第18-22页 |
| 2.3.1 混合粒子群优化算法 | 第18-20页 |
| 2.3.2 局部邻域的粒子群优化算法 | 第20页 |
| 2.3.3 多种群粒子群优化算法 | 第20-21页 |
| 2.3.4 综合学习粒子群优化算法 | 第21页 |
| 2.3.5 自适应粒子群算法 | 第21-22页 |
| 2.4 常用标准测试函数 | 第22-25页 |
| 2.5 本章总结 | 第25-26页 |
| 第三章 基于健康度的自适应过滤粒子群算法 | 第26-35页 |
| 3.1 引言 | 第26页 |
| 3.2 HAFPSO算法 | 第26-29页 |
| 3.2.1 健康度 | 第26页 |
| 3.2.2 自适应过滤机制 | 第26-28页 |
| 3.2.3 算法步骤 | 第28页 |
| 3.2.4 算法伪代码 | 第28-29页 |
| 3.3 HAFPSO算法分析 | 第29-31页 |
| 3.3.1 时间复杂度分析 | 第29页 |
| 3.3.2 粒子移动进程模拟 | 第29-30页 |
| 3.3.3 算法收敛性分析 | 第30-31页 |
| 3.4 仿真实验及结果分析 | 第31-34页 |
| 3.4.1 测试函数 | 第31页 |
| 3.4.2 调节变量LIMIT中Β值选择实验 | 第31-32页 |
| 3.4.3 性能测试实验与分析 | 第32-34页 |
| 3.4.4 算法寻优时间的对比 | 第34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 基于随机鞭策机制的散漫度粒子群算法 | 第35-46页 |
| 4.1 引言 | 第35页 |
| 4.2 基于随机鞭策机制的散漫度粒子群算法 | 第35-39页 |
| 4.2.1 散漫度 | 第35-36页 |
| 4.2.2 随机鞭策机制 | 第36-38页 |
| 4.2.3 算法步骤 | 第38页 |
| 4.2.4 伪代码 | 第38-39页 |
| 4.3 仿真实验和结果分析 | 第39-43页 |
| 4.3.1 测试函数 | 第39页 |
| 4.3.2 算法参数灵敏度分析 | 第39-41页 |
| 4.3.3 性能测试实验与分析 | 第41-43页 |
| 4.3.4 算法运行时间对比 | 第43页 |
| 4.4 HAFPSO和EGPSO算法对比 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 HAFPSO和EGPSO算法在CVRP中的应用 | 第46-53页 |
| 5.1 引言 | 第46页 |
| 5.2 车辆路径问题描述 | 第46-47页 |
| 5.3 改进的算法在车辆路径优化中的实现 | 第47-48页 |
| 5.3.1 编码方案 | 第47-48页 |
| 5.3.2 问题假设 | 第48页 |
| 5.3.3 算法步骤 | 第48页 |
| 5.4 实验结果与分析 | 第48-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第六章 主要结论与展望 | 第53-55页 |
| 6.1 主要结论 | 第53页 |
| 6.2 展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 附录:作者在攻读硕士学位期间发表的论文 | 第60页 |