| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第1章 绪论 | 第11-22页 |
| ·引言 | 第11-12页 |
| ·智能算法 | 第12-15页 |
| ·神经网络 | 第13-14页 |
| ·进化计算 | 第14-15页 |
| ·群体智能算法 | 第15页 |
| ·最优化理论 | 第15-19页 |
| ·最优化问题 | 第16-17页 |
| ·局部优化算法 | 第17页 |
| ·全局优化算法 | 第17-18页 |
| ·最优化问题的求解 | 第18-19页 |
| ·没有免费午餐定理 | 第19-20页 |
| ·论文的主要内容与创新点 | 第20-22页 |
| 第2章 粒子群算法介绍 | 第22-31页 |
| ·引言 | 第22页 |
| ·基本粒子群优化算法 | 第22-25页 |
| ·基本粒子群算法原理 | 第22-24页 |
| ·基本粒子群算法的行为分析 | 第24页 |
| ·粒子群算法的两种进化模式 | 第24-25页 |
| ·粒子群算法的研究现状及发展动态 | 第25-27页 |
| ·粒子群算法的国外研究现状及发展动态 | 第25-26页 |
| ·粒子群算法的国内研究现状及发展动态 | 第26-27页 |
| ·改进的粒子群优化算法 | 第27-30页 |
| ·带惯性权重w 的粒子群算法 | 第27-28页 |
| ·带收缩因子的粒子群算法 | 第28-29页 |
| ·其他改进的粒子群算法 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 量子行为粒子群算法基本理论 | 第31-44页 |
| ·引言 | 第31页 |
| ·量子行为粒子群优化算法 | 第31-39页 |
| ·量子行为粒子群算法基本原理 | 第31-34页 |
| ·QPSO 算法收敛性分析 | 第34-38页 |
| ·QPSO 算法与 PSO 算法比较 | 第38-39页 |
| ·基于云模型变异的量子行为粒子群算法 | 第39-43页 |
| ·云模型理论 | 第39-41页 |
| ·基于云模型变异的量子行为粒子群算法 | 第41页 |
| ·仿真实验 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 基于物种形成策略的量子行为粒子群算法 | 第44-77页 |
| ·引言 | 第44-45页 |
| ·多峰最优化问题相关研究 | 第45-48页 |
| ·在静态环境中多峰寻优 | 第45-47页 |
| ·在动态环境中多峰寻优 | 第47-48页 |
| ·基于物种形成策略的量子行为粒子群算法 | 第48-52页 |
| ·物种形成原理算法 | 第48-51页 |
| ·基于物种形成策略的量子行为粒子群算法 | 第51-52页 |
| ·SQPSO 算法在静态环境中多峰寻优 | 第52-64页 |
| ·测试函数 | 第52-53页 |
| ·性能评价标准 | 第53-54页 |
| ·仿真实验参数设置 | 第54页 |
| ·仿真结果及分析 | 第54-61页 |
| ·SQPSO 算法求解非线性方程组 | 第61-64页 |
| ·SQPSO 算法在动态环境中多峰寻优 | 第64-76页 |
| ·动态环境下的 SQPSO 算法 | 第64-65页 |
| ·动态环境 | 第65-67页 |
| ·性能评价标准 | 第67-68页 |
| ·仿真实验参数设置 | 第68-70页 |
| ·仿真结果 | 第70-75页 |
| ·仿真分析 | 第75-76页 |
| ·本章小结 | 第76-77页 |
| 第5章 量子行为粒子群算法在系统辨识中的应用 | 第77-107页 |
| ·引言 | 第77页 |
| ·基于改进量子行为粒子群算法的系统在线辨识 | 第77-83页 |
| ·遗传算法 | 第78页 |
| ·单神经元结构 | 第78-79页 |
| ·基于改进 QPSO 的系统在线辨识 | 第79-81页 |
| ·仿真实验及结果 | 第81-83页 |
| ·基于 QPSO 算法在线辨识的 WEB 服务自适应控制 | 第83-91页 |
| ·基于控制论的接纳时间比控制 | 第84-85页 |
| ·系统模型 | 第85-86页 |
| ·自适应控制器设计 | 第86-88页 |
| ·仿真实验及结果 | 第88-91页 |
| ·基于量子行为粒子群算法的动力系统参数辨识 | 第91-106页 |
| ·基于 QPSO 算法的动力系统参数辨识 | 第91-92页 |
| ·混沌系统参数辨识 | 第92-97页 |
| ·周期系统和稳定系统的参数辨识 | 第97-101页 |
| ·基于 QPSO 算法混沌系统在线参数辨识 | 第101-106页 |
| ·本章小结 | 第106-107页 |
| 第6章 量子行为粒子群算法在故障诊断中的应用 | 第107-114页 |
| ·引言 | 第107页 |
| ·基于 QPSO 算法的 RBF 神经网络学习方法 | 第107-110页 |
| ·RBF 神经网络 | 第107-109页 |
| ·QPSO 算法的编码和适应度函数 | 第109页 |
| ·基函数中心个数的确定 | 第109-110页 |
| ·QPSO-RBF 优化算法设计步骤 | 第110页 |
| ·齿轮故障仿真 | 第110-112页 |
| ·故障诊断模型的构建 | 第110-111页 |
| ·故障征兆样本的收集 | 第111页 |
| ·诊断结果分析 | 第111-112页 |
| ·本章小结 | 第112-114页 |
| 第7章 结论与展望 | 第114-117页 |
| ·本课题的研究结论 | 第114-115页 |
| ·展望 | 第115-117页 |
| 致谢 | 第117-118页 |
| 参考文献 | 第118-126页 |
| 附录:攻读博士学位期间完成的论文和参加的科研项目 | 第126页 |