| 中文摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第1章 绪论 | 第8-12页 |
| ·研究背景和意义 | 第8-9页 |
| ·粒子群优化算法国内外研究现状 | 第9-10页 |
| ·本文的主要成果 | 第10-11页 |
| ·本文的研究内容及组织 | 第11-12页 |
| 第2章 粒子群优化算法 | 第12-20页 |
| ·概述 | 第12页 |
| ·粒子群算法原理 | 第12-15页 |
| ·基本算法的数学描述 | 第12-13页 |
| ·算法的基本步骤 | 第13-14页 |
| ·算法流程 | 第14-15页 |
| ·几种经典的改进算法 | 第15-18页 |
| ·基于惯性因子的粒子群算法 | 第15页 |
| ·引入收缩因子的PSO算法 | 第15-16页 |
| ·自适应的PSO算法 | 第16-17页 |
| ·离散PSO算法 | 第17-18页 |
| ·粒子群算法的分析 | 第18-20页 |
| ·惯性因子和收缩因子的作用 | 第18页 |
| ·速度更新公式的分析 | 第18-20页 |
| 第3章 改进的粒子群优化算法 | 第20-32页 |
| ·群体多样性度量函数 | 第20-22页 |
| ·惯性权重自适应调节机制 | 第22-24页 |
| ·动态自适应粒子群算法 | 第24页 |
| ·试验结果及分析 | 第24-31页 |
| ·小结 | 第31-32页 |
| 第4章 改进粒子群算法在优化预测中的应用 | 第32-44页 |
| ·智能优化在RBF网络中的应用 | 第32-36页 |
| ·径向基神经网络 | 第32-33页 |
| ·进化算法在神经网络训练中的应用 | 第33-34页 |
| ·基于改进PSO算法的RBF网络优化 | 第34-36页 |
| ·煤炭消费量时间序列预测 | 第36-40页 |
| ·煤炭消费量预测的意义 | 第36页 |
| ·煤炭消费预测方法 | 第36页 |
| ·改进的学习算法在煤炭消费时间序列预测中的应用 | 第36-40页 |
| ·铁矿石国内消费量时间序列预测 | 第40-43页 |
| ·铁矿石国内消费量预测的意义 | 第40页 |
| ·改进的学习算法在铁矿石国内消费量的时间序列预测中的应用 | 第40-43页 |
| ·小结 | 第43-44页 |
| 第5章 总结与展望 | 第44-45页 |
| ·全文总结 | 第44页 |
| ·展望 | 第44-45页 |
| 参考文献 | 第45-49页 |
| 在校期间发表的论文和参与的项目 | 第49-50页 |
| 致谢 | 第50页 |