| 摘要 | 第1-6页 |
| ABSTRACT | 第6-14页 |
| 第1章 绪论 | 第14-28页 |
| ·引言 | 第14-15页 |
| ·最优化问题及优化算法 | 第15-17页 |
| ·最优化问题 | 第15-16页 |
| ·优化算法 | 第16-17页 |
| ·进化计算 | 第17-19页 |
| ·遗传算法 | 第17-18页 |
| ·进化策略 | 第18页 |
| ·进化规划 | 第18-19页 |
| ·进化算法的一般框架 | 第19页 |
| ·群智能优化算法 | 第19-21页 |
| ·蚁群算法 | 第19-20页 |
| ·微粒群算法 | 第20-21页 |
| ·微粒群算法的研究进展 | 第21-24页 |
| ·算法本身的改进 | 第21页 |
| ·微粒群拓扑结构的改进 | 第21-22页 |
| ·算法参数的改进 | 第22-23页 |
| ·混合微粒群算法 | 第23页 |
| ·复杂环境下PSO算法的应用 | 第23-24页 |
| ·微粒群算法研究中存在的主要问题 | 第24-25页 |
| ·本文的主要研究工作与组织结构 | 第25-28页 |
| 第2章 微粒群算法及其收敛性分析 | 第28-48页 |
| ·基本微粒群算法 | 第28-30页 |
| ·算法原理 | 第28-29页 |
| ·参数选择 | 第29-30页 |
| ·基本微粒群算法分析 | 第30-33页 |
| ·算法行为分析 | 第30页 |
| ·g-best模型和l-best模型 | 第30-31页 |
| ·微粒群的邻域拓扑结构 | 第31-33页 |
| ·离散微粒群算法 | 第33-35页 |
| ·二进制 PSO原理 | 第33页 |
| ·整数空间的微粒群算法 | 第33-35页 |
| ·与其它智能优化算法的比较研究 | 第35-38页 |
| ·与遗传算法比较 | 第35-36页 |
| ·与蚁群算法比较 | 第36-38页 |
| ·微粒群算法的收敛性分析 | 第38-47页 |
| ·微粒的轨迹分析 | 第38-40页 |
| ·随机优化算法的收敛准则 | 第40-44页 |
| ·基本微粒群算法的收敛性分析 | 第44-47页 |
| ·本章小结 | 第47-48页 |
| 第3章 多种群协同进化微粒群算法 | 第48-65页 |
| ·引言 | 第48页 |
| ·标准微粒群算法分析 | 第48-50页 |
| ·协作微粒群算法 | 第50-52页 |
| ·CPSO-S算法 | 第50-51页 |
| ·CPSO-S_K算法 | 第51-52页 |
| ·多种群协同微粒群算法 | 第52-57页 |
| ·GCPSO算法 | 第52-53页 |
| ·基本概念 | 第53-54页 |
| ·MCPSO算法设计 | 第54页 |
| ·MCPSO算法收敛性证明 | 第54-57页 |
| ·基于MCPSO的神经网络训练 | 第57-63页 |
| ·径向基函数神经网络分析 | 第57-58页 |
| ·基于MCPSO的RBF网络学习策略 | 第58-59页 |
| ·仿真实验 | 第59-63页 |
| ·本章小结 | 第63-65页 |
| 第4章 多峰函数的微粒群优化算法 | 第65-79页 |
| ·目标函数变换方法 | 第65-69页 |
| ·偏移法 | 第65-66页 |
| ·拉伸法 | 第66-67页 |
| ·排挤法 | 第67-69页 |
| ·小生境微粒群算法 | 第69-74页 |
| ·小生境技术 | 第69-70页 |
| ·小生境微粒群算法 | 第70-71页 |
| ·NichePSO的测试 | 第71-74页 |
| ·基于聚类的小生境微粒群算法 | 第74-78页 |
| ·多种群策略 | 第74-75页 |
| ·聚类算法选择 | 第75-76页 |
| ·CBNPSO算法测试 | 第76-78页 |
| ·本章小结 | 第78-79页 |
| 第5章 基于微粒群算法的山峰聚类 | 第79-94页 |
| ·引言 | 第79页 |
| ·山峰聚类 | 第79-83页 |
| ·构造网格 | 第79-80页 |
| ·构造山峰函数 | 第80页 |
| ·选择聚类中心 | 第80-81页 |
| ·减法聚类法 | 第81-83页 |
| ·基本微粒群算法在山峰聚类中的应用 | 第83-87页 |
| ·PSO参数设置 | 第83-84页 |
| ·基于l-best PSO的山峰聚类算法 | 第84页 |
| ·仿真实验 | 第84-87页 |
| ·基于微粒群算法的快速山峰聚类 | 第87-89页 |
| ·简化山峰函数计算 | 第87-88页 |
| ·基于微粒群算法的快速山峰聚类算法 | 第88-89页 |
| ·仿真实验 | 第89页 |
| ·基于小生境微粒群算法的山峰聚类 | 第89-92页 |
| ·算法流程 | 第90页 |
| ·算法执行策略 | 第90-91页 |
| ·仿真实验 | 第91-92页 |
| ·本章小结 | 第92-94页 |
| 第6章 多目标优化微粒群算法 | 第94-107页 |
| ·引言 | 第94页 |
| ·多目标优化问题 | 第94-97页 |
| ·基本概念和术语 | 第94-96页 |
| ·多目标优化算法的评价标准 | 第96-97页 |
| ·应用 PSO实现多目标优化的关键问题 | 第97-99页 |
| ·pbest的选择方法 | 第97-98页 |
| ·gbest或lbest的选择 | 第98-99页 |
| ·随机多目标 PSO | 第99-102页 |
| ·算法基本的思想 | 第99页 |
| ·SMOPSO算法流程 | 第99-100页 |
| ·算法测试 | 第100-102页 |
| ·SMOPSO算法的收敛性分析 | 第102-105页 |
| ·相关定义和引理 | 第102-104页 |
| ·SMOPSO算法收敛性分析 | 第104-105页 |
| ·本章小结 | 第105-107页 |
| 第7章 基于微粒群算法的锌电解分时供电优化调度 | 第107-117页 |
| ·引言 | 第107页 |
| ·锌电解过程的能耗分析 | 第107-108页 |
| ·锌电解过程的电流效率及电耗 | 第107-108页 |
| ·锌电解条件试验结果 | 第108页 |
| ·分时供电优化调度系统的数学模型 | 第108-112页 |
| ·电流效率的非线性回归模型 | 第108-109页 |
| ·电流效率的径向基函数神经网络模型 | 第109-110页 |
| ·锌电解分时供电多目标优化调度数学模型 | 第110-112页 |
| ·分时供电的多目标 PSO优化调度策略 | 第112-116页 |
| ·PSO优化调度策略 | 第112-113页 |
| ·实验结果分析 | 第113-116页 |
| ·本章小结 | 第116-117页 |
| 第8章 整流供电系统的微粒群优化控制策略研究与实现 | 第117-138页 |
| ·引言 | 第117页 |
| ·锌电解整流供电系统优化控制模型 | 第117-124页 |
| ·整流供电系统简介 | 第117-118页 |
| ·整流机组的整流效率 | 第118-119页 |
| ·确定整流机组效率时应计算的损耗 | 第119-122页 |
| ·锌电解整流供电系统优化控制模型 | 第122-124页 |
| ·递阶多目标PSO算法 | 第124-127页 |
| ·递阶编码 | 第125-126页 |
| ·递阶多目标PSO算法 | 第126-127页 |
| ·实验分析 | 第127-131页 |
| ·设备参数及系统数学模型 | 第127-128页 |
| ·实验结果 | 第128-131页 |
| ·锌电解整流供电优化与监控系统 | 第131-137页 |
| ·系统总体设计 | 第131-132页 |
| ·系统原理 | 第132-134页 |
| ·主要人机交互界面 | 第134-136页 |
| ·系统运行结果分析 | 第136-137页 |
| ·本章小结 | 第137-138页 |
| 第9章 结论 | 第138-141页 |
| ·本文研究工作的总结 | 第138-139页 |
| ·需进一步研究的问题 | 第139-141页 |
| 参考文献 | 第141-153页 |
| 致谢 | 第153-154页 |
| 攻读博士学位期间发表的论文和完成的科研项目 | 第154-156页 |