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 |