微分进化算法研究与仿真实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 课题的背景以及研究的意义 | 第9-16页 |
| 1.1.1 人工神经网络简介 | 第9-11页 |
| 1.1.2 遗传算法 | 第11-13页 |
| 1.1.3 粒子群算法 | 第13-14页 |
| 1.1.4 微分进化算法简介 | 第14-16页 |
| 1.2 本文的主要工作 | 第16-17页 |
| 2 对于不同变异形式的标准DE算法的探究 | 第17-33页 |
| 2.1 标准微分进化算法的基本原理 | 第17-22页 |
| 2.1.1 变异操作过程 | 第17-18页 |
| 2.1.2 交叉操作过程 | 第18-19页 |
| 2.1.3 选择操作过程 | 第19页 |
| 2.1.4 参数设置 | 第19-20页 |
| 2.1.5 标准微分进化算法的计算流程 | 第20-22页 |
| 2.2 微分进化算法不同变异策略的研究 | 第22-27页 |
| 2.2.1 不同变异策略的DE算法的研究 | 第22-23页 |
| 2.2.2 基准测试函数 | 第23-25页 |
| 2.2.3 数值试验与结果分析 | 第25-27页 |
| 2.3 基于混合变异策略的DE算法 | 第27-29页 |
| 2.4 基于多种群策略的DE算法 | 第29-33页 |
| 3 标准DE算法优化神经网络 | 第33-41页 |
| 3.1 前向误差反向传播网络学习算法 | 第33-36页 |
| 3.2 利用DE系列的算法优化神经网络 | 第36-37页 |
| 3.3 利用DE算法训练神经网络求解三分类问题 | 第37-41页 |
| 3.3.1 鸢尾花分类问题的描述 | 第37-38页 |
| 3.3.2 鸢尾花归类问题的仿真实验 | 第38-41页 |
| 4 标准DE算法对于UAV路线问题的计算 | 第41-48页 |
| 4.1 无人机航路问题之描述 | 第41-42页 |
| 4.2 无人机航路规划的目标 | 第42-44页 |
| 4.2.1 无人家航路规划的性能指标 | 第42-43页 |
| 4.2.2 UAV路线规划的威胁代价 | 第43-44页 |
| 4.3 利用MPDE算法求解UAV路线的计算步骤 | 第44页 |
| 4.4 仿真实验和实验结果 | 第44-48页 |
| 结论 | 第48-49页 |
| 参考文献 | 第49-51页 |
| 攻读硕士学位期间发表学术论文情况 | 第51-52页 |
| 致谢 | 第52-53页 |
