| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-15页 |
| ·课题的背景与意义 | 第9-10页 |
| ·粒子群算法的研究现状 | 第10-13页 |
| ·粒子群算法的研究方向 | 第10-11页 |
| ·粒子群算法的应用 | 第11-13页 |
| ·石油性质预测的研究现状 | 第13页 |
| ·本文的主要工作与结构安排 | 第13-15页 |
| 第2章 基本粒子群优化算法 | 第15-24页 |
| ·群体智能 | 第15-16页 |
| ·基本粒子群算法的提出 | 第16-17页 |
| ·算法原理和流程 | 第17-21页 |
| ·算法原理 | 第17-20页 |
| ·算法流程 | 第20-21页 |
| ·算法社会行为分析 | 第21页 |
| ·两种基本进化模型 | 第21-23页 |
| ·带惯性权重的粒子群算法 | 第23-24页 |
| 第3章 粒子群算法的改进 | 第24-31页 |
| ·一般惯性权重的设计 | 第24-25页 |
| ·惯性权重的改进 | 第25-26页 |
| ·基于速度夹角的粒子群协同优化算法 | 第26-31页 |
| ·V-PSCO算法的基本思想 | 第27-29页 |
| ·V-PSCO算法实现过程 | 第29-31页 |
| 第4章 典型函数优化问题求解 | 第31-38页 |
| ·典型测试函数 | 第31-32页 |
| ·实验设置 | 第32-33页 |
| ·实验结果 | 第33-37页 |
| ·实验结论 | 第37-38页 |
| 第5章 基于V-PSCO算法的石油性质预测模型研究 | 第38-52页 |
| ·人工神经网络原理与结构 | 第38-40页 |
| ·人工神经网络学习与泛化 | 第40-41页 |
| ·基于V-PSCO的神经网络学习算法 | 第41-43页 |
| ·算法设计 | 第41-42页 |
| ·算法流程 | 第42-43页 |
| ·基于V-PSCO的神经网络模型预测石油性质 | 第43-51页 |
| ·训练数据处理 | 第45-46页 |
| ·神经网络结构选择 | 第46-47页 |
| ·参数选择 | 第47页 |
| ·性能评价指标 | 第47-48页 |
| ·实验结果分析 | 第48-51页 |
| ·结论 | 第51-52页 |
| 总结 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间取得的学术成果 | 第57-58页 |
| 致谢 | 第58页 |