| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 粒子群算法的研究与发展 | 第13-16页 |
| 1.2.2 PID参数整定技术的研究与发展 | 第16-17页 |
| 1.3 研究内容及贡献 | 第17-18页 |
| 1.4 论文结构及章节安排 | 第18-19页 |
| 第2章 研究的理论基础 | 第19-32页 |
| 2.1 优化问题与优化方法 | 第19-22页 |
| 2.1.1 优化问题及分类 | 第19-20页 |
| 2.1.2 优化方法及分类 | 第20-22页 |
| 2.2 粒子群算法 | 第22-28页 |
| 2.2.1 粒子群算法的起源 | 第22-24页 |
| 2.2.2 原始粒子群算法 | 第24-25页 |
| 2.2.3 标准粒子群算法 | 第25-26页 |
| 2.2.4 标准粒子群算法的流程描述 | 第26-27页 |
| 2.2.5 粒子群算法的参数分析 | 第27-28页 |
| 2.3 其它启发式优化算法 | 第28-31页 |
| 2.3.1 遗传算法 | 第28-29页 |
| 2.3.2 蚁群算法 | 第29-30页 |
| 2.3.3 粒子群算法与其它启发式优化算法的比较 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于模式搜索法的云模型粒子群算法 | 第32-47页 |
| 3.1 引言 | 第32-33页 |
| 3.2 云模型粒子群算法 | 第33-36页 |
| 3.2.1 多峰粒子群算法 | 第33页 |
| 3.2.2 基于云模型的变异策略 | 第33-36页 |
| 3.3 模式搜索法 | 第36-37页 |
| 3.4 基于模式搜索法的云模型粒子群算法 | 第37-39页 |
| 3.5 极值点的同峰判断 | 第39-40页 |
| 3.5.1 极值点库管理 | 第39页 |
| 3.5.2 基于适应度的同峰判断 | 第39-40页 |
| 3.6 仿真实验及性能分析 | 第40-45页 |
| 3.6.1 基本多峰函数仿真结果及分析 | 第40-42页 |
| 3.6.2 性能比较及分析 | 第42-44页 |
| 3.6.3 旋转多峰函数仿真结果及分析 | 第44-45页 |
| 3.7 本章小结 | 第45-47页 |
| 第4章 改进粒子群算法在PID参数整定中的应用 | 第47-62页 |
| 4.1 引言 | 第47-48页 |
| 4.2 PID控制的理论基础 | 第48-52页 |
| 4.2.1 模拟PID控制器 | 第48-49页 |
| 4.2.2 数字PID控制器 | 第49-50页 |
| 4.2.3 PID控制系统的评价指标 | 第50-52页 |
| 4.3 基于改进粒子群算法的PID参数整定 | 第52-54页 |
| 4.3.1 基于粒子群算法的PID参数整定原理 | 第52页 |
| 4.3.2 适应度函数的选择 | 第52-53页 |
| 4.3.3 算法流程 | 第53-54页 |
| 4.4 基于PCPSO-PID的典型被控对象仿真实验 | 第54-57页 |
| 4.4.1 典型被控对象 | 第54-55页 |
| 4.4.2 实验结果及分析 | 第55-57页 |
| 4.5 基于PCPSO-PID的啤酒发酵温度控制仿真实验 | 第57-60页 |
| 4.5.1 啤酒发酵流程及控制要求 | 第58页 |
| 4.5.2 啤酒发酵的被控对象 | 第58-59页 |
| 4.5.3 实验仿真及结果分析 | 第59-60页 |
| 4.6 本章小结 | 第60-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 附录A 攻读学位期间发表的学术论文 | 第69-70页 |
| 致谢 | 第70页 |