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 |