| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第15-20页 |
| 1.1 课题的研究背景和意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 粒子群优化算法 | 第16-17页 |
| 1.2.2 鸡群优化算法 | 第17页 |
| 1.2.3 多目标粒子群优化算法 | 第17-18页 |
| 1.3 本文的研究目的和研究内容 | 第18-20页 |
| 1.3.1 本文的研究目的 | 第18页 |
| 1.3.2 本文的主要研究内容 | 第18-19页 |
| 1.3.3 本文的篇章结构 | 第19-20页 |
| 第二章 粒子群优化与鸡群优化算法概述 | 第20-30页 |
| 2.1 引言 | 第20页 |
| 2.2 粒子群优化算法描述 | 第20-22页 |
| 2.2.1 算法原理 | 第20-21页 |
| 2.2.2 算法流程 | 第21页 |
| 2.2.3 控制参数的选取 | 第21-22页 |
| 2.3 鸡群优化算法描述 | 第22-25页 |
| 2.3.1 算法原理 | 第23页 |
| 2.3.2 算法流程 | 第23-24页 |
| 2.3.3 控制参数的选取 | 第24-25页 |
| 2.4 粒子群算法与鸡群算法、磷虾群的比较 | 第25-26页 |
| 2.5 粒子群优化算法的改进策略 | 第26-28页 |
| 2.5.1 惯性权重自适应调整的PSO算法 | 第26-27页 |
| 2.5.2 并行计算的PSO算法 | 第27-28页 |
| 2.5.3 混合其他算法的PSO算法 | 第28页 |
| 2.6 鸡群优化算法的改进策略 | 第28-29页 |
| 2.7 粒子群优化算法和鸡群优化算法的应用 | 第29页 |
| 2.8 本章小结 | 第29-30页 |
| 第三章 改进的粒子群优化算法 | 第30-55页 |
| 3.1 引言 | 第30页 |
| 3.2 一种带有牛顿方向的自适应扰动粒子群优化算法 | 第30-34页 |
| 3.2.1 随机扰动与牛顿方向 | 第30-31页 |
| 3.2.2 收敛性证明 | 第31-32页 |
| 3.2.3 算法的收敛阶 | 第32页 |
| 3.2.4 算法的具体步骤 | 第32-33页 |
| 3.2.5 数值试验与结果分析 | 第33-34页 |
| 3.3 带有克隆策略的粒子群优化算法 | 第34-39页 |
| 3.3.1 局部寻优方法介绍 | 第34-36页 |
| 3.3.2 克隆加速策略 | 第36-37页 |
| 3.3.3 算法的具体步骤 | 第37页 |
| 3.3.4 数值试验与结果分析 | 第37-39页 |
| 3.4 基于模糊推理的粒子群优化算法 | 第39-51页 |
| 3.4.1 模糊推理 | 第39-40页 |
| 3.4.2 对自我认知项的讨论 | 第40-41页 |
| 3.4.3 混沌Logistic映射扰动 | 第41-42页 |
| 3.4.4 速度和位置公式的改进 | 第42-45页 |
| 3.4.5 算法的具体步骤 | 第45-46页 |
| 3.4.6 参数分析 | 第46-47页 |
| 3.4.7 数值分析 | 第47-51页 |
| 3.5 粒子群优化算法的收敛性分析 | 第51-54页 |
| 3.5.1 粒子群优化算法模型简化 | 第51-52页 |
| 3.5.2 粒子群优化的马尔科夫模型 | 第52页 |
| 3.5.3 粒子群优化的收敛性证明 | 第52-54页 |
| 3.6 本章小结 | 第54-55页 |
| 第四章 改进的鸡群优化算法 | 第55-90页 |
| 4.1 引言 | 第55页 |
| 4.2 基于模糊推理的鸡群优化算法 | 第55-60页 |
| 4.2.1 速度和位置更新公式的改进 | 第55-56页 |
| 4.2.2 混沌Tent映射扰动 | 第56页 |
| 4.2.3 算法具体步骤 | 第56页 |
| 4.2.4 数值试验与分析 | 第56-60页 |
| 4.2.5 结论 | 第60页 |
| 4.3 双层的鸡群优化算法 | 第60-63页 |
| 4.3.1 差分进化的三种算子 | 第60-61页 |
| 4.3.2 两个子群规模及改进 | 第61-62页 |
| 4.3.3 流程图 | 第62页 |
| 4.3.4 参数设置 | 第62页 |
| 4.3.5 测试函数与数值结果 | 第62-63页 |
| 4.4 基于鸡群优化和人工蜂群优化的混合算法 | 第63-68页 |
| 4.4.1 ABC算法 | 第63-65页 |
| 4.4.2 算法描述 | 第65-66页 |
| 4.4.3 跟随蜂阶段 | 第66-67页 |
| 4.4.4 改进的侦查蜂阶段 | 第67页 |
| 4.4.5 数值试验 | 第67-68页 |
| 4.5 鸡群优化算法的收敛性分析 | 第68-80页 |
| 4.5.1 模型简化 | 第68-70页 |
| 4.5.2 预备定理 | 第70-72页 |
| 4.5.3 鸡群优化算法收敛性分析 | 第72-76页 |
| 4.5.4 参数改进 | 第76-77页 |
| 4.5.5 参数设置 | 第77-78页 |
| 4.5.6 测试函数 | 第78页 |
| 4.5.7 数值结果 | 第78-80页 |
| 4.6 基于有限信息的鸡群优化算法 | 第80-83页 |
| 4.6.1 算法改进 | 第80-81页 |
| 4.6.2 混沌tent扰动 | 第81页 |
| 4.6.3 算法总流程 | 第81-82页 |
| 4.6.4 参数设置 | 第82页 |
| 4.6.5 数值试验 | 第82-83页 |
| 4.7 正态更新机制的鸡群优化算法 | 第83-88页 |
| 4.7.1 算法改进 | 第83-84页 |
| 4.7.2 数值试验 | 第84-87页 |
| 4.7.3 参数设置 | 第87页 |
| 4.7.4 优化结果 | 第87-88页 |
| 4.8 本章小结 | 第88-90页 |
| 第五章 带有克隆免疫策略的多目标粒子群优化算法 | 第90-104页 |
| 5.1 引言 | 第90页 |
| 5.2 多目标优化问题及相关概念 | 第90-91页 |
| 5.3 带有克隆免疫策略的多目标粒子群优化算法 | 第91-100页 |
| 5.3.1 平行格坐标系统 | 第91-92页 |
| 5.3.2 Pareto熵及其差熵 | 第92页 |
| 5.3.3 差熵相关论述 | 第92-94页 |
| 5.3.4 对状态的检测的简述 | 第94-95页 |
| 5.3.5 外部档案维护策略 | 第95-96页 |
| 5.3.6 全局最优解选择策略与个体最优解选择策略 | 第96页 |
| 5.3.7 参数选择策略 | 第96-97页 |
| 5.3.8 克隆免疫操作 | 第97-99页 |
| 5.3.9 混沌操作 | 第99页 |
| 5.3.10 算法总流程 | 第99-100页 |
| 5.4 数值实验 | 第100-101页 |
| 5.5 总结 | 第101-104页 |
| 第六章 多目标鸡群优化算法 | 第104-109页 |
| 6.1 引言 | 第104页 |
| 6.2 多目标鸡群优化算法 | 第104-106页 |
| 6.2.1 鸡群算法更新公式的改进 | 第104页 |
| 6.2.2 非支配邻近免疫策略 | 第104-105页 |
| 6.2.3 个体最优值与全局最优值的更新策略 | 第105页 |
| 6.2.4 算法流程 | 第105-106页 |
| 6.3 数值实验 | 第106-108页 |
| 6.4 总结 | 第108页 |
| 6.5 本章小结 | 第108-109页 |
| 第七章 多目标优化算法应用 | 第109-120页 |
| 7.1 多目标粒子群优化算法在电力系统经济调度中的应用 | 第109-114页 |
| 7.1.1 引言 | 第109页 |
| 7.1.2 考虑排放的经济调度模型 | 第109-110页 |
| 7.1.3 约束条件 | 第110页 |
| 7.1.4 对约束条件的处理 | 第110-112页 |
| 7.1.5 算法流程 | 第112页 |
| 7.1.6 数值实验 | 第112-113页 |
| 7.1.7 总结 | 第113-114页 |
| 7.2 多目标鸡群算法在电动汽车充放电的应用 | 第114-120页 |
| 7.2.1 引言 | 第114页 |
| 7.2.2 系统模型 | 第114-117页 |
| 7.2.3 多目标优化模型 | 第117页 |
| 7.2.4 基于pareto熵的多目标鸡群算法流程 | 第117-118页 |
| 7.2.5 数值实验 | 第118-119页 |
| 7.2.6 总结 | 第119-120页 |
| 第八章 研究工作总结与展望 | 第120-121页 |
| 8.1 研究工作的总结 | 第120页 |
| 8.2 未来的工作展望 | 第120-121页 |
| 参考文献 | 第121-129页 |
| 附录1：常用的无约束优化问题的测试函数 | 第129-133页 |
| 附录2: 常用的多目标优化问题的测试函数 | 第133-137页 |
| 致谢 | 第137-139页 |
| 个人简介 | 第139-140页 |
