摘要 | 第1-7页 |
Abstract | 第7-11页 |
第一章 绪论 | 第11-21页 |
·分布估计算法研究与发展 | 第11-16页 |
·从遗传算法到分布估计算法 | 第11-14页 |
·分布估计算法研究现状 | 第14-16页 |
·动态优化研究背景与意义 | 第16-18页 |
·应用分布估计算法求解动态优化问题 | 第18-19页 |
·本文的主要工作 | 第19-21页 |
第二章 分布估计算法与动态优化问题基本理论 | 第21-35页 |
·分布估计算法 | 第21-28页 |
·分布估计算法基本框架 | 第21-22页 |
·分布估计算法分类 | 第22-26页 |
·分布估计算法理论研究 | 第26-28页 |
·动态优化 | 第28-33页 |
·动态优化问题 | 第28-31页 |
·动态优化方法 | 第31-33页 |
·本章小结 | 第33-35页 |
第三章 有限群体模型下分布估计算法(EDA)的收敛性分析 | 第35-41页 |
·引言 | 第35页 |
·有限群体EDA 模型 | 第35-36页 |
·有限群体EDA 的收敛性 | 第36-40页 |
·采用比例选择算子的EDA 的收敛性 | 第36-38页 |
·采用截断选择算子的EDA 的收敛性 | 第38-39页 |
·采用竞赛选择算子的EDA 的收敛性 | 第39-40页 |
·本章小结 | 第40-41页 |
第四章 多变量相关的分布估计算法:Bayesian 优化算法研究 | 第41-61页 |
·引言 | 第41-42页 |
·Bayesian 优化算法 | 第42-46页 |
·Bayesian 优化算法的框架 | 第42页 |
·Bayesian 网络 | 第42-43页 |
·Bayesian 网络的学习 | 第43-45页 |
·Bayesian 网络的抽样 | 第45-46页 |
·结合局部结构学习的Bayesian 优化算法 | 第46-51页 |
·Bayesian 网络结构学习分析 | 第46-47页 |
·结合局部结构学习的Bayesian 优化算法及分析 | 第47-48页 |
·算法分析 | 第48页 |
·数值实验 | 第48-51页 |
·结合先验知识的Bayesian 优化算法 | 第51-55页 |
·结合先验知识的Bayesian 优化算法 | 第52-53页 |
·数值实验 | 第53-55页 |
·结合变异的Bayesian 优化算法 | 第55-59页 |
·Bayesian 优化算法分析 | 第55-56页 |
·结合变异的Bayesian 优化算法 | 第56-57页 |
·数值实验 | 第57-59页 |
·本章小结 | 第59-61页 |
第五章 基于群体的增量学习分布估计算法(PBIL)求解动态优化问题 | 第61-69页 |
·引言 | 第61-62页 |
·PBIL 算法 | 第62页 |
·一类动态优化问题 | 第62-63页 |
·自适应PBIL 算法 | 第63-64页 |
·自适应PBIL 算法求解动态优化问题 | 第64-67页 |
·动态测试问题 | 第64-65页 |
·数值实验 | 第65-67页 |
·本章小结 | 第67-69页 |
第六章 单变量边缘分布估计算法(UMDA)研究与动态优化问题求解 | 第69-97页 |
·引言 | 第69页 |
·单变量边缘分布估计算法 | 第69-71页 |
·多群体UMDA 求解动态离散优化问题 | 第71-81页 |
·多群体UMDA | 第71-74页 |
·算法收敛性证明及算法分析 | 第74-75页 |
·性能度量指标 | 第75-76页 |
·数值实验 | 第76-81页 |
·自组织UMDA 求解动态单目标问题 | 第81-87页 |
·自组织UMDA | 第81-84页 |
·数值实验 | 第84-87页 |
·多群体扩散UMDA 求解动态多模问题 | 第87-95页 |
·多群体扩散UMDA | 第88-90页 |
·动态多模问题 | 第90-91页 |
·数值实验 | 第91-95页 |
·本章小结 | 第95-97页 |
第七章 基于预测模型的正则分布估计算法求解动态多目标优化问题 | 第97-111页 |
·引言 | 第97-98页 |
·正则分布估计算法 | 第98-100页 |
·基于预测模型的正则分布估计算法 | 第100-103页 |
·数值实验 | 第103-110页 |
·本章小结 | 第110-111页 |
第八章 总结与展望 | 第111-115页 |
·研究工作总结 | 第111-112页 |
·研究工作展望 | 第112-115页 |
致谢 | 第115-117页 |
参考文献 | 第117-130页 |
在读期间的研究成果 | 第130-131页 |