多目标社会学习优化算法
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-20页 |
| 1.1 多目标优化问题的数学描述 | 第8-9页 |
| 1.2 多目标优化算法 | 第9-14页 |
| 1.2.1 传统的多目标优化算法 | 第9-10页 |
| 1.2.2 多目标进化算法 | 第10-14页 |
| 1.3 存在的问题 | 第14-15页 |
| 1.4 针对存在问题的求解方法 | 第15-17页 |
| 1.5 本文主要研究工作和内容 | 第17-20页 |
| 第二章 相关概念简介 | 第20-30页 |
| 2.1 微粒群优化算法 | 第20-24页 |
| 2.1.1 多目标微粒群算法 | 第20-22页 |
| 2.1.2 研究现状 | 第22-24页 |
| 2.2 代理模型 | 第24-26页 |
| 2.2.1 数据驱动 | 第24页 |
| 2.2.2 代理模型 | 第24-26页 |
| 2.3 支持向量机 | 第26-30页 |
| 2.3.1 基本概念 | 第26-28页 |
| 2.3.2 SVM多类分类算法 | 第28-30页 |
| 第三章 大规模多目标优化问题的社会学习算法 | 第30-42页 |
| 3.1 社会学习机制 | 第30-31页 |
| 3.2 大规模多目标微粒群优化算法 | 第31-34页 |
| 3.2.1 邻域学习策略 | 第32-33页 |
| 3.2.2 算法步骤 | 第33-34页 |
| 3.3 仿真及实验分析 | 第34-41页 |
| 3.3.1 参数选择 | 第34-37页 |
| 3.3.2 仿真结果与分析 | 第37-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 支持向量机辅助的多目标优化算法 | 第42-54页 |
| 4.1 支持向量机辅助的LSMOO-PSO | 第42-43页 |
| 4.1.1 算法步骤 | 第42-43页 |
| 4.2 仿真及实验分析 | 第43-53页 |
| 4.3 本章小结 | 第53-54页 |
| 第五章 结论和展望 | 第54-56页 |
| 5.1 结论 | 第54页 |
| 5.2 展望 | 第54-56页 |
| 参考文献 | 第56-64页 |
| 致谢 | 第64页 |
