| 提要 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-13页 |
| 1.1 粒子群优化算法研究背景 | 第10页 |
| 1.2 研究目的和意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-12页 |
| 1.4 论文组织结构及创新点 | 第12-13页 |
| 1.4.1 组织结构 | 第12页 |
| 1.4.2 创新点 | 第12-13页 |
| 第2章 粒子群优化算法发展综述 | 第13-17页 |
| 2.1 粒子群优化算法原理 | 第13页 |
| 2.2 粒子群优化算法的发展 | 第13-16页 |
| 2.2.1 基于重要参数的改进 | 第13-14页 |
| 2.2.2 基于群体拓扑结构的改进 | 第14页 |
| 2.2.3 基于速度更新策略的改进 | 第14-15页 |
| 2.2.4 混合型粒子群优化算法 | 第15-16页 |
| 2.3 粒子群优化算法的挑战 | 第16-17页 |
| 第3章 基于全局最优预测的 PSO 算法 | 第17-23页 |
| 3.1 相关算法简介 | 第17-20页 |
| 3.1.1 主成分分析方法 | 第17-18页 |
| 3.1.2 预测模型建立 | 第18-20页 |
| 3.1.3 学习因子 | 第20页 |
| 3.2 基于全局最优预测的 PSO 算法原理 | 第20-22页 |
| 3.3 基于全局最优预测 PSO 算法待解决问题 | 第22-23页 |
| 第4章 基于全局最优预测的自适应变异 PSO 算法 | 第23-36页 |
| 4.1 自适应变异操作 | 第23-30页 |
| 4.1.1 局部最优识别方法 | 第23-26页 |
| 4.1.2 扩展的非均匀变异操作 | 第26-30页 |
| 4.2 基于全局最优预测的自适应变异 PSO 算法思想及流程图 | 第30-32页 |
| 4.3 算法分析 | 第32-36页 |
| 4.3.1 算法复杂性分析 | 第32-33页 |
| 4.3.2 参数η_1 和η_2 的分析 | 第33-34页 |
| 4.3.3 拓展学习系数с_3 的分析 | 第34-35页 |
| 4.3.4 惯性权重w的分析 | 第35-36页 |
| 第5章 实验设计与结果分析 | 第36-52页 |
| 5.1 30 维测试函数的实验结果与分析 | 第36-44页 |
| 5.1.1 算法精度比较分析 | 第39-40页 |
| 5.1.2 收敛速度的比较 | 第40-41页 |
| 5.1.3 可靠性比较 | 第41-44页 |
| 5.2 标准测试函数 100 维实验结果及分析 | 第44-48页 |
| 5.3 穹顶结构的材料优化问题 | 第48-52页 |
| 第6章 总结与展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 作者简介及科研成果 | 第57-58页 |
| 致谢 | 第58页 |