摘要 | 第5-7页 |
Abstract | 第7-8页 |
第1章 绪论 | 第16-26页 |
1.1 进化计算和群体智能概述 | 第16-20页 |
1.2 黑盒实值优化问题定义 | 第20-21页 |
1.3 智能优化算法的动态行为学分析 | 第21-24页 |
1.3.1 国内外研究现状 | 第21-22页 |
1.3.2 本课题的研究难点及重点 | 第22-23页 |
1.3.3 本论文的主要研究内容与创新之处 | 第23-24页 |
1.4 本论文的组织安排 | 第24-25页 |
1.5 本章小结 | 第25-26页 |
第2章 相关工作综述 | 第26-42页 |
2.1 适应度景观分析 | 第26-32页 |
2.1.1 适应度景观分析简介 | 第26-27页 |
2.1.2 FLA的早期研究概况 | 第27-28页 |
2.1.3 FLA的发展历程 | 第28-29页 |
2.1.4 静态FLA方法中存在的问题 | 第29-30页 |
2.1.5 动态FLA研究概况 | 第30-31页 |
2.1.6 动态FLA方法中存在的问题 | 第31页 |
2.1.7 FLA研究的难点 | 第31-32页 |
2.2 算子调优 | 第32-40页 |
2.2.1 算子调优简介 | 第32页 |
2.2.2 算子调优的难点 | 第32-33页 |
2.2.3 算子调优在智能优化领域的研究概况 | 第33-40页 |
2.2.4 现有算子调优方法的不足 | 第40页 |
2.3 本章小结 | 第40-42页 |
第3章 基于群体可进化性的动态适应度景观分析研究 | 第42-64页 |
3.1 引言 | 第42-43页 |
3.2 研究思路 | 第43-44页 |
3.2.1 生物学背景支持 | 第43页 |
3.2.2 相关理论支持 | 第43-44页 |
3.3 群体可进化性度量指标 | 第44-47页 |
3.3.1 群体进化概率 | 第44-45页 |
3.3.2 群体进化能力 | 第45-46页 |
3.3.3 群体可进化性 | 第46-47页 |
3.4 实验研究 | 第47-53页 |
3.4.1 实验方案设计 | 第47页 |
3.4.2 测试函数集 | 第47-48页 |
3.4.3 智能优化算法集 | 第48-49页 |
3.4.4 可视化结果 | 第49-53页 |
3.5 应用场景——算法选择任务 | 第53-60页 |
3.5.1 算法选择任务简介 | 第54-55页 |
3.5.2 总体框架 | 第55-58页 |
3.5.3 使用性能评估法进行算法选择 | 第58页 |
3.5.4 算法选择结果 | 第58-60页 |
3.6 进一步讨论 | 第60-62页 |
3.6.1 新提出的算法选择框架的鲁棒性 | 第60-61页 |
3.6.2 性能与计算代价之间的关系 | 第61-62页 |
3.7 结论 | 第62页 |
3.8 本章小结 | 第62-64页 |
第4章 基于统计竞赛的智能优化算法算子调优研究 | 第64-86页 |
4.1 引言 | 第64-65页 |
4.2 研究思路 | 第65-67页 |
4.3 理论分析 | 第67-72页 |
4.3.1 统计合理性 | 第67-68页 |
4.3.2 计算高效性 | 第68-70页 |
4.3.3 结果准确性 | 第70-72页 |
4.4 实验研究 | 第72-84页 |
4.4.1 差分进化算法及其算子介绍 | 第72-75页 |
4.4.2 测试函数集 | 第75页 |
4.4.3 结果评估的黄金标准 | 第75-76页 |
4.4.4 统计合理性的实验验证 | 第76-80页 |
4.4.5 计算高效性的实验验证 | 第80-83页 |
4.4.6 结果准确性的实验验证 | 第83-84页 |
4.5 结论 | 第84页 |
4.6 本章小结 | 第84-86页 |
第5章 基于智能优化算法行为学分析的应用研究 | 第86-96页 |
5.1 扩频雷达多相码设计问题简介 | 第86-87页 |
5.2 研究思路 | 第87-88页 |
5.3 基于群体可进化性的算法选择框架 | 第88-90页 |
5.4 基于KW-Race和F-KW-Race的算子调优框架 | 第90-93页 |
5.5 改进的F-KW-Race框架 | 第93-94页 |
5.6 结论 | 第94页 |
5.7 本章小结 | 第94-96页 |
第6章 总结与展望 | 第96-98页 |
参考文献 | 第98-108页 |
致谢 | 第108-110页 |
在读期间发表的学术论文与取得的研究成果 | 第110页 |