| 摘要 | 第1-8页 |
| Abstract | 第8-16页 |
| 第1章 绪论 | 第16-24页 |
| ·最优化问题介绍 | 第16-19页 |
| ·解决最优化问题的经典方法 | 第17-18页 |
| ·解决最优化问题的群智能算法 | 第18-19页 |
| ·聚类分析介绍 | 第19-21页 |
| ·机器学习和回归分析介绍 | 第21页 |
| ·本文工作 | 第21-24页 |
| 第2章 基础理论 | 第24-34页 |
| ·遗传算法 | 第24-26页 |
| ·粒子群算法 | 第26-29页 |
| ·K-means 算法 | 第29-30页 |
| ·吸引子传播算法 | 第30-32页 |
| ·支持向量机 | 第32-33页 |
| ·小结 | 第33-34页 |
| 第3章 基于适应度估计的遗传算法 | 第34-58页 |
| ·引言 | 第34-35页 |
| ·基于 k-means 算法适应度估计的遗传算法 | 第35-37页 |
| ·基于适应度继承的遗传算法 | 第37-40页 |
| ·基于 AP 算法适应度估计的遗传算法 | 第40-43页 |
| ·实验和分析 | 第43-57页 |
| ·标准测试函数 | 第43-50页 |
| ·实验设计 | 第50-52页 |
| ·实验结果分析 | 第52-57页 |
| ·小结 | 第57-58页 |
| 第4章 快速遗传算法 | 第58-70页 |
| ·引言 | 第58页 |
| ·快速遗传算法 | 第58-63页 |
| ·模式定理和积木块假说 | 第59-60页 |
| ·算法流程 | 第60-63页 |
| ·实验与分析 | 第63-68页 |
| ·实验设计 | 第64页 |
| ·实验结果分析 | 第64-68页 |
| ·小结 | 第68-70页 |
| 第5章 基于回归分析的遗传算法 | 第70-80页 |
| ·引言 | 第70-71页 |
| ·基于支持向量机的遗传算法 | 第71-73页 |
| ·实验结果与分析 | 第73-78页 |
| ·实验设计 | 第73-74页 |
| ·实验结果分析 | 第74-78页 |
| ·小结 | 第78-80页 |
| 第6章 快速粒子群算法 | 第80-90页 |
| ·引言 | 第80-81页 |
| ·基于吸引子传播算法的粒子群算法 | 第81-83页 |
| ·基于回归分析的粒子群算法 | 第83-84页 |
| ·实验结果与分析 | 第84-89页 |
| ·实验设计 | 第84-85页 |
| ·实验结果分析 | 第85-89页 |
| ·小结 | 第89-90页 |
| 第7章 快速群智能优化算法的应用 | 第90-108页 |
| ·引言 | 第90-91页 |
| ·快速粒子群算法在油藏数据历史拟合中的应用 | 第91-95页 |
| ·油藏历史拟合 | 第91-92页 |
| ·EPSO 的运行结果 | 第92-95页 |
| ·快速遗传算法在静力结构设计优化中的应用 | 第95-102页 |
| ·静力结构优化 | 第95-96页 |
| ·优化问题描述 | 第96-99页 |
| ·利用 EGA 优化结构 | 第99-102页 |
| ·基于 SVR 遗传算法的原核染色体超螺旋结构预测 | 第102-107页 |
| ·原核染色体超螺旋 | 第102-103页 |
| ·预测大肠杆菌染色体超螺旋结构数据集 | 第103-104页 |
| ·利用 SVRGA 预测 | 第104-105页 |
| ·SVRGA 预测结果稳定性分析 | 第105-107页 |
| ·小结 | 第107-108页 |
| 第8章 总结与展望 | 第108-110页 |
| ·总结 | 第108-109页 |
| ·展望 | 第109-110页 |
| 参考文献 | 第110-122页 |
| 作者简介及攻读博士学位期间发表的论文和参与的项目 | 第122-124页 |
| 致谢 | 第124页 |