摘要 | 第3-5页 |
abstract | 第5-6页 |
第一章 绪论 | 第9-15页 |
1.1 课题背景及研究意义 | 第9-10页 |
1.2 国内外研究现状及发展动态 | 第10-13页 |
1.2.1 基于非合作型协同演化的求解方法 | 第11页 |
1.2.2 基于合作型协同演化的求解方法 | 第11-13页 |
1.2.3 大规模全局优化(LSGO)问题求解方法的发展动态 | 第13页 |
1.3 本文研究内容及组织结构 | 第13-15页 |
1.3.1 本文研究内容 | 第13-14页 |
1.3.2 组织结构安排 | 第14-15页 |
第二章 大规模全局优化的相关理论与算法 | 第15-25页 |
2.1 大规模全局优化问题的数学描述 | 第15页 |
2.2 大规模全局优化问题的相关理论 | 第15-16页 |
2.2.1 可分与不可分理论 | 第15-16页 |
2.2.2 微分分组理论 | 第16页 |
2.3 大规模全局优化问题的相关算法与测试函数 | 第16-24页 |
2.3.1 合作协同(CC)演化算法 | 第16-18页 |
2.3.2 竞争粒子群优化算法 | 第18-19页 |
2.3.3 测试函数 | 第19-24页 |
2.4 本章小结 | 第24-25页 |
第三章 基于反向学习的竞争粒子群优化算法 | 第25-35页 |
3.1 引言 | 第25页 |
3.2 反向学习(OBL)机制 | 第25-26页 |
3.3 基于反向学习机制的竞争粒子群(OBL-CSO)优化算法 | 第26-28页 |
3.4 OBL-CSO算法的收敛性分析 | 第28页 |
3.5 实验与分析 | 第28-33页 |
3.5.1 基本测试函数上的仿真实验 | 第28-29页 |
3.5.2 实验结果与分析 | 第29-31页 |
3.5.3 OBL-CSO在大规模优化问题上的实验 | 第31-33页 |
3.6 本章小结 | 第33-35页 |
第四章 基于频繁覆盖策略的元启发式算法 | 第35-57页 |
4.1 引言 | 第35页 |
4.2 随机漂移粒子群优化算法(RDPSO) | 第35-36页 |
4.3 量子行为粒子群优化(QPSO)算法 | 第36-37页 |
4.4 频繁覆盖策略思想 | 第37-40页 |
4.5 基于频繁覆盖策略的随机漂移粒子群优化(FC-RDPSO)算法 | 第40页 |
4.6 基于频繁覆盖策略的量子粒子群优化(FC-QPSO)算法 | 第40-41页 |
4.7 FC-RDPSO算法的实验与分析 | 第41-50页 |
4.7.1 FC-RDPSO算法在CEC’2013RPO测试函数上的实验 | 第41-47页 |
4.7.2 FC-RDPSO算法在大规模全局优化测试函数上的实验 | 第47-50页 |
4.8 FC-QPSO算法实验与分析 | 第50-56页 |
4.8.1 FC-QPSO算法在CEC’2010 LSGO测试函数上的实验 | 第50-54页 |
4.8.2 FC-QPSO算法在CEC’2013 LSGO测试函数上的实验 | 第54-56页 |
4.9 本章小结 | 第56-57页 |
第五章 基于自适应微分分组的合作协同演化算法 | 第57-73页 |
5.1 引言 | 第57页 |
5.2 自适应微分分组(SDG) | 第57-62页 |
5.2.1 微分分组的理论存在的问题 | 第57-58页 |
5.2.2 算法实施过程中存在的问题 | 第58页 |
5.2.3 带有修正策略的阈值自适应微分分组(SDG) | 第58-62页 |
5.3 自适应金字塔型评估费用分配算法(SPA) | 第62-64页 |
5.3.1 大规模全局优化问题的不平衡性 | 第62页 |
5.3.2 自适应金字塔型评估费用分配策略 | 第62-63页 |
5.3.3 子优化器:SaNSDE算法 | 第63-64页 |
5.4 CCSPA-SDG算法在CEC’2010LSGO测试函数上的实验与分析 | 第64-70页 |
5.4.1 SDG在CEC’2010LSGO上的分组实验 | 第64-67页 |
5.4.2 CCSPA-SDG算法在CEC’2010 LSGO上的优化实验 | 第67-70页 |
5.5 本章小结 | 第70-73页 |
主要结论与展望 | 第73-75页 |
主要结论 | 第73-74页 |
展望 | 第74-75页 |
致谢 | 第75-76页 |
参考文献 | 第76-80页 |
附录: 作者在攻读硕士学位期间发表的论文 | 第80页 |