首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--一般性问题论文--理论、方法论文--算法理论论文

基于遗传思想改进的粒子群优化算法与应用研究

摘要第4-6页
Abstract第6-7页
第1章 绪论第10-18页
    1.1 算法研究背景及意义第10-12页
    1.2 粒子群算法的研究现状第12-16页
        1.2.1 理论研究现状第12-13页
        1.2.2 离散粒子群研究现状第13-15页
        1.2.3 应用研究现状第15-16页
    1.3 本文的研究重点与章节安排第16-18页
        1.3.1 研究重点第16页
        1.3.2 论文结构第16-18页
第2章 算法的理论基础研究第18-28页
    2.1 优化知识概述第18-20页
        2.1.1 优化问题的内涵第18-19页
        2.1.2 优化算法及其分类第19-20页
    2.2 智能优化算法第20-23页
        2.2.1 进化类智能算法第20-21页
        2.2.2 群体智能第21页
        2.2.3 其他智能算法第21-22页
        2.2.4 无免费午餐定理(NFLT)第22-23页
    2.3 粒子群优化算法概述第23-27页
        2.3.1 PSO 的基本结构框架第23-24页
        2.3.2 PSO 的邻域结构简述第24-25页
        2.3.3 粒子群算法改进的探索方向及原则第25-27页
    2.4 本章小结第27-28页
第3章 基于遗传的粒子群优化算法第28-37页
    3.1 引言第28页
    3.2 改进的优化算法机制第28-30页
        3.2.1 惯性权重因子的非线性减小第28-29页
        3.2.2 遗传操作的实现第29-30页
    3.3 算法流程第30-31页
    3.4 算法仿真实验与性能分析第31-36页
    3.5 本章小结第36-37页
第4章 GAPSO 优化算法的 PID 参数整定第37-46页
    4.1 引言第37页
    4.2 PID 控制器整定原理第37-41页
        4.2.1 PID 控制原理第37-40页
        4.2.2 PID 控制参数整定概述第40-41页
    4.3 改进的算法(GAPSO)对 PID 参数整定第41-43页
        4.3.1 评价函数第41-42页
        4.3.2 算法实现第42-43页
    4.4 仿真实验与分析第43-45页
    4.5 本章小结第45-46页
第5章 改进的 GAPSO 算法训练神经网络第46-60页
    5.1 神经网络概述第46-50页
        5.1.1 神经网络理论知识第46-47页
        5.1.2 神经网络结构第47-49页
        5.1.3 神经网络的学习第49-50页
    5.2 粒子群算法优化神经网络的研究现状第50-51页
    5.3 基于惯性权重非线性递减的 GAPSO-BC 训练算法第51-54页
        5.3.1 蜂群优化算法的概述第51-52页
        5.3.2 PSO 算法在神经网络训练中的应用第52页
        5.3.3 基于 GAPSO-BC 算法的神经网络训练第52-54页
    5.4 算法性能仿真实验第54-59页
        5.4.1 性能验证第54-56页
        5.4.2 GAPSO-BC 算法训练神经网络逼近非线性函数第56-59页
    5.5 本章小结第59-60页
结论第60-62页
参考文献第62-67页
攻读硕士学位期间所发表的学术论文第67-68页
致谢第68-69页

论文共69页,点击 下载论文
上一篇:民营上市公司财务杠杆效应的实证研究--基于沪市上市公司的经验数据
下一篇:云制造车间资源调度与配置模型及优化研究