| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 引言 | 第9-12页 |
| 1 岩土工程参数辨识方法的现状分析 | 第12-18页 |
| 1.1 传统参数辨识方法 | 第12-13页 |
| 1.2 智能参数辨识方法 | 第13-16页 |
| 1.2.1 基于梯度搜索算法岩土力学反演研究 | 第13-14页 |
| 1.2.2 基于人工神经网络方法岩土力学反问题研究 | 第14-15页 |
| 1.2.3 基于遗传算法的岩土力学反问题研究 | 第15-16页 |
| 1.2.4 基于模拟退火算法的岩土力学反问题研究 | 第16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.4 研究方法和技术路线 | 第17-18页 |
| 1.4.1 研究方法 | 第17页 |
| 1.4.2 技术路线 | 第17-18页 |
| 2 基本粒子群优化算法 | 第18-35页 |
| 2.1 粒子群算法的基本模型 | 第18-23页 |
| 2.2 三种基本进化模型 | 第23-30页 |
| 2.2.1 权重粒子群模型 | 第23-24页 |
| 2.2.2 邻域粒子群优化模型 | 第24-28页 |
| 2.2.3 基于遗传思想粒子群算法 | 第28-30页 |
| 2.3 微粒群算法的代数分析 | 第30-33页 |
| 2.4 微粒群算法的解析分析 | 第33-35页 |
| 3 改进粒子群优化算法及其在边坡工程反演参数中的应用 | 第35-52页 |
| 3.1 基于主动学习的改进粒子群算法 | 第35-43页 |
| 3.1.1 主动学习的基本思想 | 第35-36页 |
| 3.1.2 主动学习的实现 | 第36-38页 |
| 3.1.3 主动学习的算法分析 | 第38-39页 |
| 3.1.4 主动学习的算法效率分析 | 第39-40页 |
| 3.1.5 改进粒子群优化在边坡工程力学参数反演方法的实现 | 第40-43页 |
| 3.1.6 本节小结 | 第43页 |
| 3.2 基于非线性函数调整权值的改进粒子群算法 | 第43-51页 |
| 3.2.1 嵌入邻域极值模式的粒子群更新算法 | 第43-45页 |
| 3.2.2 算法的收敛性分析 | 第45-46页 |
| 3.2.3 算法的有效性测试 | 第46-49页 |
| 3.2.4 改进粒子群优化在边坡工程力学参数反演方法的实现 | 第49页 |
| 3.2.5 反演实例分析与对比 | 第49-51页 |
| 3.2.6 本节小结 | 第51页 |
| 3.3 本章小结 | 第51-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56-57页 |
