| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 第一章 绪论 | 第13-17页 |
| ·研究背景和课题意义 | 第13-14页 |
| ·本文的主要研究成果 | 第14-15页 |
| ·本文的组织结构 | 第15-17页 |
| 第二章 研究基础 | 第17-27页 |
| ·最优化问题 | 第17-18页 |
| ·局部优化算法 | 第18-19页 |
| ·全局优化算法 | 第19页 |
| ·没有免费午餐定理 | 第19-20页 |
| ·进化算法 | 第20-23页 |
| ·遗传算法 | 第21-22页 |
| ·进化策略 | 第22-23页 |
| ·进化规划 | 第23页 |
| ·群体智能 | 第23-25页 |
| ·蚁群算法 | 第24-25页 |
| ·粒子群优化算法 | 第25页 |
| ·本章小结 | 第25-27页 |
| 第三章 粒子群优化算法原理 | 第27-37页 |
| ·粒子群优化算法的基本思想 | 第27页 |
| ·原始粒子群优化算法原理 | 第27-28页 |
| ·标准粒子群优化算法原理 | 第28-29页 |
| ·标准粒子群优化算法流程 | 第29-30页 |
| ·粒子群优化算法的参数设置 | 第30-32页 |
| ·粒子群优化算法与其他进化算法的比较 | 第32-33页 |
| ·粒子群优化算法的研究现状 | 第33-36页 |
| ·理论研究现状 | 第33-34页 |
| ·应用研究现状 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 自适应粒子群算法与电力系统无功优化 | 第37-75页 |
| ·引言 | 第37-39页 |
| ·自适应粒子群优化算法 | 第39-49页 |
| ·PSO算法早熟收敛现象分析 | 第39页 |
| ·PSO算法种群多样性测度方法 | 第39-41页 |
| ·惯性权重的自适应调整 | 第41-43页 |
| ·自适应变异及惯性权重的多样性调整 | 第43-45页 |
| ·APSO算法流程 | 第45-46页 |
| ·标准函数测试 | 第46-49页 |
| ·电力系统无功优化模型与方法 | 第49-56页 |
| ·无功优化的相关概念 | 第49-51页 |
| ·无功优化的数学模型 | 第51-53页 |
| ·无功优化的求解方法 | 第53-56页 |
| ·基于APSO算法的电力系统无功优化 | 第56-63页 |
| ·算法中关键问题说明 | 第56-58页 |
| ·APSO算法求解无功优化问题流程 | 第58-59页 |
| ·IEEE30节点系统算例分析 | 第59-63页 |
| ·基于APSO算法的电力系统多目标无功优化 | 第63-72页 |
| ·多目标无功优化模型 | 第64-66页 |
| ·基于向量评价的自适应粒子群算法 | 第66-70页 |
| ·基于决策者偏好及投影寻踪聚类模型的综合赋权法 | 第70-72页 |
| ·算例分析 | 第72页 |
| ·本章小结 | 第72-75页 |
| 第五章 动态双种群粒子群算法与机组组合 | 第75-97页 |
| ·引言 | 第75页 |
| ·动态双种群粒子群优化算法 | 第75-84页 |
| ·粒子群优化算法的学习策略 | 第75-76页 |
| ·双种群粒子群种群规模的动态调整 | 第76-77页 |
| ·种群多样性的保持 | 第77-79页 |
| ·动态双种群粒子群优化算法流程 | 第79-80页 |
| ·标准函数测试 | 第80-84页 |
| ·机组组合问题模型与方法 | 第84-91页 |
| ·机组组合问题概述 | 第84-85页 |
| ·机组组合问题数学模型 | 第85-86页 |
| ·机组组合问题求解方法 | 第86-91页 |
| ·基于DDPSO算法的机组组合问题求解 | 第91-96页 |
| ·机组组合问题的编码方法 | 第91页 |
| ·DDPSO种群初始化 | 第91-92页 |
| ·个体调整策略 | 第92-93页 |
| ·机组组合问题的适应度函数 | 第93页 |
| ·算法流程 | 第93-94页 |
| ·算例分析 | 第94-96页 |
| ·本章小结 | 第96-97页 |
| 第六章 动态多种群粒子群算法与短期负荷预测 | 第97-121页 |
| ·引言 | 第97页 |
| ·动态多种群粒子群优化算法 | 第97-105页 |
| ·物种及物种的核 | 第97-98页 |
| ·物种半径的自适应调整 | 第98-99页 |
| ·物种成员调整 | 第99-101页 |
| ·物种规模调整及物种合并 | 第101页 |
| ·算法流程 | 第101-102页 |
| ·标准函数测试 | 第102-105页 |
| ·电力系统短期负荷预测方法 | 第105-109页 |
| ·电力系统负荷预测概述 | 第105-106页 |
| ·电力系统短期负荷预测方法 | 第106-109页 |
| ·动态多种群粒子群支持向量机在短期负荷预测中的应用 | 第109-120页 |
| ·支持向量机概述 | 第109-110页 |
| ·支持向量机回归估计方法 | 第110-115页 |
| ·基于动态多种群粒子群算法的支持向量机参数选择 | 第115-116页 |
| ·基于DMPSO-SVM算法的短期负荷预测 | 第116-118页 |
| ·算例分析 | 第118-120页 |
| ·本章小结 | 第120-121页 |
| 第七章 天体系统粒子群算法与异步电机参数辨识 | 第121-139页 |
| ·引言 | 第121页 |
| ·天体系统粒子群优化算法 | 第121-130页 |
| ·算法主要思想 | 第121-122页 |
| ·基于群体熵值的种群初始化 | 第122-123页 |
| ·确定初始主恒星、恒星、大行星及小行星 | 第123-124页 |
| ·各天体系统的运行规则 | 第124-127页 |
| ·混沌优化算法的引入 | 第127页 |
| ·标准函数测试 | 第127-130页 |
| ·参数辨识原理和方法 | 第130-134页 |
| ·参数辨识概述 | 第130-131页 |
| ·参数辨识方法 | 第131-132页 |
| ·异步电机参数辨识方法 | 第132-134页 |
| ·基于CSPSO算法的异步电机参数辨识 | 第134-138页 |
| ·基于CSPSO算法的异步电机参数辨识原理 | 第134-135页 |
| ·CSPSO算法应用于异步电机参数辨识的基本步骤 | 第135页 |
| ·异步电机参数辨识模型 | 第135-137页 |
| ·算例分析 | 第137-138页 |
| ·本章小结 | 第138-139页 |
| 第八章 结论与展望 | 第139-141页 |
| ·全文总结 | 第139-140页 |
| ·未来研究工作的展望 | 第140-141页 |
| 参考文献 | 第141-155页 |
| 致谢 | 第155-157页 |
| 攻读博士学位期间所做工作 | 第157-158页 |