| 第一章 概述 | 第1-22页 |
| 1．1 研究背景 | 第11-14页 |
| 1．1．1 移动机器人导航研究背景 | 第11-12页 |
| 1．1．2 进化计算的研究背景与历史 | 第12-13页 |
| 1．1．3 免疫计算研究背景 | 第13页 |
| 1．1．4 多示例学习研究背景 | 第13-14页 |
| 1．2 研究现状 | 第14-20页 |
| 1．2．1 移动机器人导航研究现状 | 第14-16页 |
| 1．2．2 进化计算研究现状 | 第16-17页 |
| 1．2．3 混合进化计算和免疫进化算法研究现状 | 第17-19页 |
| 1．2．4 多示例学习研究现状 | 第19-20页 |
| 1．3 本文的主要研究内容和各章安排 | 第20-22页 |
| 1．3．1 本文所针对的问题和采取的对策 | 第20页 |
| 1．3．2 研究内容和各章的具体安排 | 第20-22页 |
| 第二章 智能优化算法的采样方法研究 | 第22-35页 |
| 2．1 采样范式分析 | 第22-24页 |
| 2．2 逆正态分布采样 | 第24-29页 |
| 2．2．1 多模函数优化中一种典型现象的分析 | 第24-25页 |
| 2．2．2 逆正态分布的定义及其基本性质 | 第25-28页 |
| 2．2．3 逆正态分布采样在多模函数优化中的优势分析 | 第28-29页 |
| 2．3 逆正态分布采样的仿真实验结果与分析 | 第29-32页 |
| 2．3．1 克隆选择算法 | 第29-30页 |
| 2．3．2 仿真实验结果与分析 | 第30-32页 |
| 2．4 逆正态分布和高斯分布组合的采样方法 | 第32-34页 |
| 2．4．1 逆正态分布的不足及其改进方法 | 第32-33页 |
| 2．4．2 逆正态分布和高斯分布组合的采样实验结果 | 第33-34页 |
| 2．5 小结 | 第34-35页 |
| 第三章 多样度和适应度引导的进化计算研究 | 第35-58页 |
| 3．1 进化算子操作概率适应性调整方法 | 第35-37页 |
| 3．1．1 适应性进化操作概率的统一计算公式 | 第35-36页 |
| 3．1．2 局部搜索进化算子的适应性操作概率计算策略 | 第36-37页 |
| 3．2 多样度分析 | 第37-38页 |
| 3．3 多样度和适应度相结合引导的一种交叉与变异概率计算策略 | 第38-41页 |
| 3．4 多样度与适应度引导的选择压力适应性调整策略 | 第41-48页 |
| 3．5 多样度与适应度联合引导的遗传算法与实验分析 | 第48-51页 |
| 3．5．1 多样度与适应度联合引导的遗传算法描述 | 第48-49页 |
| 3．5．2 函数优化的实验结果与分析 | 第49-51页 |
| 3．6 多样度和适应度联合引导变异的二进制遗传算法 | 第51-56页 |
| 3．6．1 二进制编码下变异概率与多样度之间的数学关系分析 | 第51-54页 |
| 3．6．2 适应性宏观-局部变异方法 | 第54-56页 |
| 3．7 小结 | 第56-58页 |
| 第四章 一种免疫克隆进化算法及其在并发定位与建图中的应用 | 第58-77页 |
| 4．1 免疫克隆进化算法 | 第58-61页 |
| 4．1．1 免疫克隆进化算法的描述 | 第58-60页 |
| 4．1．2 免疫克隆进化算法的分析和变形 | 第60页 |
| 4．1．3 免疫克隆进化算法的函数优化实验与分析 | 第60-61页 |
| 4．2 免疫克隆进化算法的全局收敛性 | 第61-65页 |
| 4．2．1 全局收敛性分析的预备知识 | 第61-63页 |
| 4．2．2 免疫克隆进化算法的全局收敛性分析 | 第63-65页 |
| 4．3 并发定位与建图方法存在的不足 | 第65-66页 |
| 4．4 基于占据栅格的感知数据融合和地图表示 | 第66-68页 |
| 4．5 基于免疫克隆进化算法的并发定位与建图 | 第68-74页 |
| 4．5．1 环境中的关键点栅格及其检测 | 第68-70页 |
| 4．5．2 激光雷达感知数据提取关键点方法 | 第70-71页 |
| 4．5．3 编码方式 | 第71页 |
| 4．5．4 适应度函数 | 第71-72页 |
| 4．5．5 进化操作与免疫操作 | 第72-74页 |
| 4．6 基于免疫克隆进化的并发定位与建图实验和结果分析 | 第74-76页 |
| 4．7 小结 | 第76-77页 |
| 第五章 采用混合策略的移动机器人进化路径规划研究 | 第77-92页 |
| 5．1 移动机器人全局与局部路径规划发展趋势分析 | 第77-78页 |
| 5．2 移动机器人路径规划的一些性质 | 第78-80页 |
| 5．3 大范围环境下基于免疫克隆进化的移动机器人路径规划研究 | 第80-87页 |
| 5．3．1 路径的编码与表示 | 第81页 |
| 5．3．2 适应度函数 | 第81-82页 |
| 5．3．3 进化算子、克隆选择算子与免疫疫苗接种算子 | 第82-83页 |
| 5．3．4 基于免疫克隆进化的移动机器人路径规划算法描述 | 第83-84页 |
| 5．3．5 基于免疫克隆进化的移动机器人路径规划算法仿真实验 | 第84-86页 |
| 5．3．6 基于适应性概率调整免疫克隆进化的移动机器人路径规划方法 | 第86-87页 |
| 5．4 变化环境下基于免疫克隆选择和示例学习的进化路径规划研究 | 第87-91页 |
| 5．4．1 示例学习与免疫克隆进化算法相结合的路径规划算法 | 第88-89页 |
| 5．4．2 仿真实验结果与分析 | 第89-91页 |
| 5．5 小结 | 第91-92页 |
| 第六章 基于监督-非监督学习的多示例学习方法研究 | 第92-109页 |
| 6．1 多示例学习的学习原理 | 第92-94页 |
| 6．2 监督-非监督多示例神经网络 | 第94-103页 |
| 6．2．1 多示例问题的监督-非监督学习思想 | 第95-97页 |
| 6．2．2 监督-非监督多示例神经网络学习算法的参数讨论 | 第97-99页 |
| 6．2．3 监督-非监督多示例神经网络的训练算法 | 第99-101页 |
| 6．2．4 监督-非监督多示例神经网络的预测方法 | 第101页 |
| 6．2．5 监督-非监督多示例神经网络实验与结果分析 | 第101-103页 |
| 6．3 基于多示例学习的图像多候选目标识别与导航方法 | 第103-108页 |
| 6．3．1 多示例学习算法中包的构造算法 | 第103-104页 |
| 6．3．2 基于多示例学习的多候选目标识别与导航算法 | 第104-105页 |
| 6．3．3 多候选目标识别与移动机器人导航实验 | 第105-108页 |
| 6．4 小结 | 第108-109页 |
| 第七章 基于多示例学习的移动机器人多图像定位研究 | 第109-121页 |
| 7．1 多图像研究现状 | 第109页 |
| 7．2 多图像在场景识别中的优势 | 第109-112页 |
| 7．3 基于多图像场景识别与定位的系统框图和实现 | 第112-115页 |
| 7．3．1 系统框图 | 第112页 |
| 7．3．2 基于多示例学习的多图像场景识别方法 | 第112-113页 |
| 7．3．3 基于多示例学习的移动机器人多图像定位算法 | 第113-115页 |
| 7．4 基于多示例学习的移动机器人多图像定位实验 | 第115-119页 |
| 7．5 移动机器人多图像定位的优点分析 | 第119-120页 |
| 7．6 小结 | 第120-121页 |
| 第八章 结论与展望 | 第121-123页 |
| 8．1 主要工作和创新 | 第121-122页 |
| 8．2 进一步的工作 | 第122-123页 |
| 参考文献 | 第123-133页 |
| 附录一 测试函数 | 第133-135页 |
| 致谢 | 第135-136页 |
| 攻读博士学位期间主要的研究成果、著作和奖励 | 第136-137页 |
