| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究及应用现状 | 第10-11页 |
| 1.2.1 量子粒子群算法国内外研究现状 | 第10-11页 |
| 1.2.2 量子粒子群算法应用现状 | 第11页 |
| 1.3 本文主要研究内容 | 第11-13页 |
| 2 量子粒子群算法理论分析 | 第13-27页 |
| 2.1 粒子群算法简介 | 第13-15页 |
| 2.1.1 算法的基本思想 | 第13-14页 |
| 2.1.2 算法的流程 | 第14-15页 |
| 2.2 量子计算基础 | 第15-17页 |
| 2.2.1 量子信息 | 第16-17页 |
| 2.2.2 量子门 | 第17页 |
| 2.3 量子粒子群算法简介 | 第17-21页 |
| 2.4 量子粒子群算法的参数对算法性能的影响分析 | 第21-26页 |
| 2.4.1 惯性权重 | 第21-23页 |
| 2.4.2 学习因子 | 第23-24页 |
| 2.4.3 种群规模 | 第24-25页 |
| 2.4.4 停止准则 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 自适应参数调整量子粒子群算法研究 | 第27-47页 |
| 3.1 自适应参数调整量子粒子群算法 | 第27-31页 |
| 3.1.1 算法的基本思想 | 第27-30页 |
| 3.1.2 APAQPSO算法的流程 | 第30-31页 |
| 3.2 算法性能评价标准 | 第31-32页 |
| 3.3 算法测试和性能评价 | 第32-46页 |
| 3.3.1 演化过程分析 | 第32-35页 |
| 3.3.2 仿真测试函数 | 第35-40页 |
| 3.3.3 仿真结果及性能评价 | 第40-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 基于APAQPSO算法的RBF神经网络参数优化研究 | 第47-62页 |
| 4.1 RBF神经网络结构 | 第47-49页 |
| 4.1.1 径向基函数 | 第47-48页 |
| 4.1.2 RBF神经元模型 | 第48页 |
| 4.1.3 RBF神经网络模型 | 第48-49页 |
| 4.2 RBF神经网络的学习策略 | 第49-50页 |
| 4.3 基于AQPSO算法的RBF神经网络参数优化 | 第50-52页 |
| 4.3.1 确定隐层节点数 | 第50-51页 |
| 4.3.2 运用APAQPSO算法优化RBF神经网络 | 第51-52页 |
| 4.4 基于APAQPSO RBF神经网络的仿真实例 | 第52-61页 |
| 4.4.1 非线性函数逼近 | 第52-56页 |
| 4.4.2 混沌时间序列预测 | 第56-61页 |
| 4.5 本章小结 | 第61-62页 |
| 5 基于APAQPSO算法的倒立摆NFNN控制器参数优化研究 | 第62-80页 |
| 5.1 模糊神经网络简介 | 第62-64页 |
| 5.2 倒立摆模糊神经网络控制器设计 | 第64-68页 |
| 5.2.1 单级倒立摆数学模型 | 第64-65页 |
| 5.2.2 单级倒立摆NFNN控制器的设计 | 第65-68页 |
| 5.3 基于APAQPSO算法的倒立摆NFNN控制器参数优化 | 第68-70页 |
| 5.4 APAQPSO算法优化NFNN控制器参数仿真结果及性能评价 | 第70-79页 |
| 5.4.1 参数设置 | 第70-71页 |
| 5.4.2 仿真结果及性能评价 | 第71-79页 |
| 5.5 本章小结 | 第79-80页 |
| 6 结论与展望 | 第80-82页 |
| 6.1 结论 | 第80-81页 |
| 6.2 展望 | 第81-82页 |
| 参考文献 | 第82-88页 |
| 攻读学位期间主要的研究成果 | 第88-89页 |
| 致谢 | 第89页 |
