| 致谢 | 第3-4页 |
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 变量注释表 | 第14-17页 |
| 1 绪论 | 第17-23页 |
| 1.1 研究背景及意义 | 第17-18页 |
| 1.2 QPSO算法产生背景 | 第18-19页 |
| 1.3 QPSO算法研究概况 | 第19-21页 |
| 1.4 主要研究内容及成果 | 第21页 |
| 1.5 论文组织结构 | 第21-23页 |
| 2 量子行为粒子群优化算法研究基础 | 第23-34页 |
| 2.1 引言 | 第23页 |
| 2.2 量子行为粒子群优化算法基本原理 | 第23-28页 |
| 2.3 几种典型改进QPSO算法 | 第28-33页 |
| 2.4 待解决的关键问题 | 第33页 |
| 2.5 本章小结 | 第33-34页 |
| 3 融合社会学习和莱维飞行的QPSO算法 | 第34-49页 |
| 3.1 引言 | 第34-35页 |
| 3.2 具有社会学习能力的QPSO算法 | 第35-38页 |
| 3.3 融合莱维飞行的SL-QPSO算法 | 第38-40页 |
| 3.4 算法仿真与性能分析 | 第40-48页 |
| 3.5 本章小结 | 第48-49页 |
| 4 势阱长度自适应的LSL-QPSO算法 | 第49-59页 |
| 4.1 引言 | 第49-50页 |
| 4.2 势阱长度对算法性能的影响 | 第50-52页 |
| 4.3 势阱长度自适应的LSL-QPSO算法 | 第52-55页 |
| 4.4 算法仿真与性能分析 | 第55-58页 |
| 4.5 本章小结 | 第58-59页 |
| 5 基于改进QPSO算法的电动汽车模糊控制器参数优化 | 第59-71页 |
| 5.1 引言 | 第59-60页 |
| 5.2 优化问题数学模型 | 第60-62页 |
| 5.3 基于ALSL-QPSO算法的模糊自适应PID控制器设计 | 第62-65页 |
| 5.4 基于MATLAB/Simulink的仿真分析 | 第65-69页 |
| 5.5 本章小结 | 第69-71页 |
| 6 工作总结与展望 | 第71-73页 |
| 6.1 工作总结 | 第71页 |
| 6.2 工作展望 | 第71-73页 |
| 参考文献 | 第73-78页 |
| 作者简历 | 第78-81页 |
| 学位论文数据集 | 第81页 |
