首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文

粒子群优化算法的理论及实践

摘要第1-7页
Abatract第7-13页
第一章 绪论第13-17页
 1.1 研究背景和课题意义第13-14页
 1.2 本文的主要成果第14-15页
 1.3 本文的组织第15-17页
第二章 研究基础第17-28页
 2.1 引言第17页
 2.2 优化第17-20页
  2.2.1 局部优化第19页
  2.2.2 全局优化第19页
  2.2.3 没有免费午餐定理第19-20页
 2.3 进化计算第20-23页
  2.3.1 进化算法第20-21页
  2.3.2 遗传算法第21-22页
  2.3.3 进化规划第22-23页
  2.3.4 进化策略第23页
 2.4 群智能第23-25页
 2.5 粒子群优化算法第25-26页
 2.6 粒子群优化算法与遗传算法比较第26-27页
 2.7 小结第27-28页
第三章 粒子群优化算法原理第28-37页
 3.1 引言第28页
 3.2 原始粒子群优化算法第28-31页
  3.2.1 算法原理第28-29页
  3.2.2 算法流程第29页
  3.2.3 全局模型与局部模型第29-30页
  3.2.4 同步模式与异步模式第30-31页
 3.3 标准粒子群优化算法第31-32页
  3.3.1 惯性权重(inertia weight) 的引入第31-32页
  3.3.2 收缩因子(constriction factor)的引入第32页
 3.4 粒子群优化算法种群拓扑结构研究第32-36页
  3.4.1 代数式的变化第32-33页
  3.4.2 几种典型种群拓扑结构第33-34页
  3.4.3 试验方法第34页
  3.4.4 试验结果的分析及讨论第34-36页
 3.5 小结第36-37页
第四章 粒子群优化算法收敛性及参数选取第37-56页
 4.1 引言第37页
 4.2 粒子群优化算法收敛性分析第37-45页
  4.2.1 收敛性条件的导出第37-42页
  4.2.2 原始粒子群优化算法收敛性分析第42-43页
  4.2.3 收缩因子粒子群优化算法收敛性分析第43页
  4.2.4 动态行为实例第43-45页
  4.2.5 小结第45页
 4.3 粒子群优化算法参数选取第45-55页
  4.3.1 算法参数第46页
  4.3.2 惯性权重的取值分析第46-50页
  4.3.3 种群大小、收缩因子和最大速度限制的取值分析第50-55页
 4.4 小结第55-56页
第五章 粒子群优化算法的改进第56-86页
 5.1 引言第56页
 5.2 复合粒子群优化算法第56-59页
  5.2.1 复合粒子群优化算法实现步骤第57页
  5.2.2 算法测试第57-58页
  5.2.3 小结第58-59页
 5.3 自适应粒子群优化算法第59-67页
  5.3.1 种群多样性测度第59-60页
  5.3.2 自适应粒子群优化算法第60-61页
  5.3.3 标准函数测试第61-66页
  5.3.4 异或神经元网络训练测试第66-67页
  5.3.5 小结第67页
 5.4 异步粒子群优化算法第67-71页
  5.4.1 粒子群优化算法异步模式的Java多线程技术实现的总体设计第69-70页
  5.4.2 标准函数测试第70-71页
  5.4.3 小结第71页
 5.5 混合粒子群优化算法第71-81页
  5.5.1 混合粒子群优化算法的思想第71-72页
  5.5.2 相关研究工作第72-74页
  5.5.3 混合粒子群优化算法实现第74-77页
  5.5.4 算例第77-81页
  5.5.5 小结第81页
 5.6 粒子群优化算法其它高级技术第81-85页
  5.6.1 利用选择(Selection)操作第81-82页
  5.6.2 邻域算子(Neighbourhood operator)第82-83页
  5.6.3 簇分析(Cluster analysis)方法第83页
  5.6.4 自适应比例项(Adaptive scaling term)第83-84页
  5.6.5 合作粒子群优化算法第84页
  5.6.6 分层粒子群优化算法第84-85页
 5.7 小结第85-86页
第六章 粒子群优化算法的应用第86-103页
 6.1 引言第86页
 6.2 粒子群优化算法训练人工神经网络应用于苯胺类农药的定量构效关系问题第86-91页
  6.2.1 苯乙酰胺类农药的定量构效关系问题第87页
  6.2.2 人工神经网络第87-88页
  6.2.3 训练结果第88-91页
  6.2.4 小结第91页
 6.3 粒子群优化算法进行参数估计第91-95页
  6.3.1 在重油热解模型参数估计中的应用第92-94页
  6.3.2 小结第94-95页
 6.4 粒子群优化算法在硫化催化裂化反应条件优化中的应用第95-102页
  6.4.1 经验模型与神经网络模型第95-97页
  6.4.2 支持向量回归模型第97-99页
  6.4.3 基于人工神经网络和支持向量机模型的反应条件优化第99-102页
 6.5 本章小结第102-103页
第七章 结论与展望第103-106页
 7.1 本论文的总结第103-104页
 7.2 关于未来研究的展望第104-106页
参考文献第106-121页
附录A 收敛性证明第121-123页
附录B 无约束测试函数第123-124页
附录C 计算数据第124-127页
致谢第127-128页
作者攻读博士期间撰写的论文和参与项目第128页

论文共128页,点击 下载论文
上一篇:有限域F2~N上的安全椭圆曲线分析及其实现
下一篇:两种新型钠通道的分子克隆与比较药理学研究--探索蝎对自身钠通道毒素适应性不敏感的分子机理