| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 知识进化算法研究现状 | 第9-14页 |
| 1.2.1 进化过程中的离线和在线知识研究 | 第9-12页 |
| 1.2.2 知识的表示与提取方法研究 | 第12页 |
| 1.2.3 基于知识的进化算法研究 | 第12-13页 |
| 1.2.4 基于云模型的进化算法研究 | 第13-14页 |
| 1.3 本文研究的目的及意义 | 第14页 |
| 1.4 本文研究的主要内容以及文章结构 | 第14-16页 |
| 第2章 知识的表示与提取方法 | 第16-22页 |
| 2.1 云模型 | 第16-18页 |
| 2.1.1 云的定义和特性 | 第16-17页 |
| 2.1.2 云模型的类型 | 第17-18页 |
| 2.1.3 云模型的产生方法 | 第18页 |
| 2.2 知识的表示与提取方法 | 第18-20页 |
| 2.2.1 知识的表示方法 | 第19页 |
| 2.2.2 知识的提取方法 | 第19-20页 |
| 2.3 关于知识表示与提取的相关性实验 | 第20-21页 |
| 2.4 本章总结 | 第21-22页 |
| 第3章 基于云知识的优化问题相对求解难度降低方法 | 第22-35页 |
| 3.1 不同衡量问题难度方法分析 | 第22-24页 |
| 3.1.1 基于可行解距离和适应值的关系衡量问题难度 | 第22-23页 |
| 3.1.2 基于可行解空间中子集的划分程度衡量问题难度 | 第23-24页 |
| 3.1.3 基于适应值曲面的高低水平衡量问题难度 | 第24页 |
| 3.2 优化问题相似性研究 | 第24-26页 |
| 3.3 基于云知识的优化问题相对求解难度降低方法 | 第26-27页 |
| 3.3.1 最简云模型与原优化问题间的相似性理论证明 | 第26页 |
| 3.3.2 相似性理论对问题相对求解难度的影响 | 第26-27页 |
| 3.3.3 进化算法与最简云模型结合 | 第27页 |
| 3.4 实验数据及分析 | 第27-34页 |
| 3.4.1 问题相对求解难度测试结果与分析 | 第28-30页 |
| 3.4.2 算法寻优性能测试结果与分析 | 第30-34页 |
| 3.5 本章总结 | 第34-35页 |
| 第4章 基于云知识的多种群进化算法 | 第35-44页 |
| 4.1 多种群进化算法概述 | 第35-36页 |
| 4.2 基于云知识的问题估计 | 第36-37页 |
| 4.3 基于云知识的多种群进化算法 | 第37-39页 |
| 4.3.1 评价算子 | 第37页 |
| 4.3.2 区域划分算子 | 第37-39页 |
| 4.3.3 基于云知识的多种群进化算法流程 | 第39页 |
| 4.4 实验数据及分析 | 第39-42页 |
| 4.4.1 算法性能对比分析实验 | 第40-41页 |
| 4.4.2 困难性测试分析实验 | 第41-42页 |
| 4.5 本章总结 | 第42-44页 |
| 第5章 云编码环境下的自适应差分进化算法 | 第44-59页 |
| 5.1 云编码 | 第44-45页 |
| 5.2 自适应差分进化算法 | 第45-46页 |
| 5.3 基于云编码的自适应差分进化算法 | 第46-49页 |
| 5.3.1 知识吞没策略 | 第46-47页 |
| 5.3.2 参数自适应进化策略 | 第47-48页 |
| 5.3.3 云编码环境下的自适应差分进化算法 | 第48-49页 |
| 5.4 实验数据及分析 | 第49-58页 |
| 5.4.1 测试函数及参数设置 | 第49-50页 |
| 5.4.2 收敛精度比较分析 | 第50-53页 |
| 5.4.3 收敛速度比较分析 | 第53-58页 |
| 5.5 本章总结 | 第58-59页 |
| 第6章 总结与工作展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 工作展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 硕士期间发表的论文和参与的科研项目 | 第66-67页 |
| 致谢 | 第67-68页 |
