| 摘要 | 第1-5页 |
| ABSTRACT | 第5-15页 |
| 1 绪论 | 第15-27页 |
| ·人工生命 | 第15-17页 |
| ·人工生命的概念 | 第15-16页 |
| ·人工生命的基本思想 | 第16-17页 |
| ·人工生命的研究内容 | 第17页 |
| ·群体智能 | 第17-23页 |
| ·人工动物 | 第17-20页 |
| ·群体智能 | 第20-21页 |
| ·常见的群体智能算法 | 第21-23页 |
| ·最优化方法介绍 | 第23-25页 |
| ·遗传算法 | 第23-24页 |
| ·进化规划 | 第24页 |
| ·进化策略 | 第24-25页 |
| ·模拟退火算法 | 第25页 |
| ·无免费午餐定理 | 第25页 |
| ·本文的主要研究工作 | 第25-27页 |
| 2 微粒群算法介绍 | 第27-36页 |
| ·标准微粒群算法 | 第27-30页 |
| ·基本概念及进化方程 | 第27-28页 |
| ·算法流程 | 第28页 |
| ·社会行为分析 | 第28-29页 |
| ·与其它进化算法的比较 | 第29-30页 |
| ·参数的选择策略 | 第30-32页 |
| ·惯性权重 | 第30-31页 |
| ·认知系数与社会系数 | 第31-32页 |
| ·其它参数的调整 | 第32页 |
| ·常见的改进微粒群算法 | 第32-33页 |
| ·微粒群算法的行为及收敛性分析 | 第33-34页 |
| ·微粒群算法的应用 | 第34-35页 |
| ·小结 | 第35-36页 |
| 3 微分进化微粒群算法 | 第36-63页 |
| ·微粒群算法的统一模型 | 第36-40页 |
| ·统一模型 | 第36-37页 |
| ·基于统一描述模型的PSO算法进化行为分析 | 第37-39页 |
| ·收敛性分析 | 第39-40页 |
| ·标准微粒群算法的数值算法分析 | 第40-46页 |
| ·标准微粒群算法的微分方程模型 | 第40页 |
| ·生物学背景 | 第40-41页 |
| ·常见的数值方法介绍 | 第41-43页 |
| ·基于不同数值计算方法的微分进化微粒群算法 | 第43-45页 |
| ·参数的选择 | 第45-46页 |
| ·微分进化微粒群算法 | 第46-61页 |
| ·绝对稳定性 | 第46-47页 |
| ·步长h 的选择方式 | 第47-48页 |
| ·标准微粒群算法的局限性 | 第48-49页 |
| ·微分进化微粒群算法 | 第49-50页 |
| ·实例仿真 | 第50-61页 |
| ·小结 | 第61-63页 |
| 4 带控制器的微粒群算法 | 第63-88页 |
| ·标准微粒群算法的控制理论分析 | 第63-65页 |
| ·积分控制微粒群算法 | 第65-73页 |
| ·积分控制微粒群算法的进化方程 | 第65-66页 |
| ·稳定性分析 | 第66-67页 |
| ·参数选择 | 第67-68页 |
| ·ICPSO算法流程 | 第68页 |
| ·实例仿真 | 第68-73页 |
| ·PID控制微粒群算法 | 第73-87页 |
| ·PID控制微粒群算法的进化方程 | 第73-74页 |
| ·基于支撑集理论的分析 | 第74-80页 |
| ·基于稳定性理论的分析 | 第80-82页 |
| ·参数选择 | 第82-83页 |
| ·实例仿真 | 第83-87页 |
| ·小结 | 第87-88页 |
| 5 最大速度上限的改进策略 | 第88-110页 |
| ·最大速度常数的研究现状 | 第88页 |
| ·最大速度上限的作用 | 第88-91页 |
| ·问题描述 | 第88-89页 |
| ·最大速度上限在解的存在唯一性中的作用 | 第89-91页 |
| ·最大速度上限在算法全局搜索性能中的作用 | 第91页 |
| ·最大速度上限的随机策略 | 第91-100页 |
| ·研究思路 | 第91-92页 |
| ·常用的分布 | 第92-94页 |
| ·算法流程 | 第94-95页 |
| ·实验研究 | 第95-100页 |
| ·最大速度上限的个性化调整策略 | 第100-106页 |
| ·个性化设计思想 | 第100页 |
| ·个性化最大速度上限调整策略 | 第100-102页 |
| ·算法流程 | 第102页 |
| ·仿真实例 | 第102-106页 |
| ·混沌系统控制应用 | 第106-108页 |
| ·混沌系统的控制问题描述 | 第106-107页 |
| ·混沌系统控制的微粒群算法求解 | 第107-108页 |
| ·小结 | 第108-110页 |
| 6 具有确定认知策略的混合微粒群算法 | 第110-142页 |
| ·标准微粒群算法的局部收敛性能分析 | 第110-118页 |
| ·基于控制理论的局部搜索性能分析 | 第110-113页 |
| ·局部搜索能力的概率分析 | 第113-114页 |
| ·震荡环节成功的概率与算法性能关系的数值分析 | 第114-118页 |
| ·具有确定认知策略的混合微粒群算法结构框架 | 第118-133页 |
| ·增加震荡环节成功概率的分析 | 第118-119页 |
| ·具有确定认知策略的混合微粒群算法 | 第119-120页 |
| ·基于支撑集理论的全局收敛性能分析及变异算子的引入 | 第120-122页 |
| ·具有确定认知策略的混合微粒群算法流程 | 第122页 |
| ·基于稳定性理论的参数设置 | 第122-123页 |
| ·参数R_1 的实验研究 | 第123-126页 |
| ·数值仿真 | 第126-133页 |
| ·具有确定认知策略的自适应微粒群算法 | 第133-140页 |
| ·认知系数c_1 与社会系数c_2 的自适应策略 | 第133-135页 |
| ·算法流程 | 第135-136页 |
| ·实例仿真 | 第136-140页 |
| ·非稳定线性系统逼近问题 | 第140-141页 |
| ·线性系统逼近问题的数学模型 | 第140页 |
| ·非稳定线性系统逼近问题的应用 | 第140-141页 |
| ·小结 | 第141-142页 |
| 7 基于适应值预测的算法优化 | 第142-159页 |
| ·适应值预测策略 | 第142-143页 |
| ·基于适应值的加权平均预测 | 第143-149页 |
| ·算法思想 | 第143-144页 |
| ·两种预测公式 | 第144-146页 |
| ·预测的比例讨论 | 第146页 |
| ·算法流程 | 第146-147页 |
| ·基于适应值预测的随机期望值模型求解 | 第147-149页 |
| ·基于可信度的预测 | 第149-158页 |
| ·可信度介绍 | 第149-150页 |
| ·模型1 的可信度预测 | 第150-153页 |
| ·模型2 的可信度预测 | 第153-155页 |
| ·预测个体的比例分析 | 第155页 |
| ·基于适应值预测的随机机会约束规划求解 | 第155-158页 |
| ·小结 | 第158-159页 |
| 8 总结与展望 | 第159-161页 |
| ·主要工作总结 | 第159-160页 |
| ·后续工作及展望 | 第160-161页 |
| 致谢 | 第161-162页 |
| 参考文献 | 第162-172页 |
| 攻读学位期间取得的研究成果 | 第172-173页 |