智能优化算法评价模型研究
| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 图目录 | 第13-15页 |
| 表目录 | 第15-16页 |
| 第1章 绪论 | 第16-30页 |
| ·古典优化理论 | 第16-17页 |
| ·现代传统优化理论 | 第17-20页 |
| ·现代传统优化理论的起源与发展 | 第17-18页 |
| ·传统优化理论的局限性 | 第18-20页 |
| ·智能优化算法的发展及其局限性 | 第20-26页 |
| ·智能优化算法的产生与发展 | 第20-24页 |
| ·智能优化算法的局限性 | 第24-26页 |
| ·智能优化算法的研究新动向 | 第26页 |
| ·问题的提出及研究内容 | 第26-28页 |
| ·论文的组织 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第2章 优化问题和优化算法 | 第30-46页 |
| ·优化问题 | 第30-37页 |
| ·优化问题的表示方法 | 第30-31页 |
| ·优化问题的分类 | 第31-32页 |
| ·优化问题的特征 | 第32-36页 |
| ·几种典型的优化问题 | 第36-37页 |
| ·优化算法 | 第37-44页 |
| ·优化算法的定义 | 第37-38页 |
| ·优化算法的分类 | 第38-39页 |
| ·传统优化算法简介 | 第39-40页 |
| ·典型智能优化算法简介 | 第40-44页 |
| ·本章小结 | 第44-46页 |
| 第3章 智能优化算法的概率模型 | 第46-65页 |
| ·优化算法的"爬山"模型 | 第46-48页 |
| ·优化算法的原始思想——"爬山"模型 | 第46-47页 |
| ·概率意义下的"爬山"模型 | 第47页 |
| ·智能优化算法的"爬山"模型 | 第47-48页 |
| ·优化算法的搜索模型 | 第48-53页 |
| ·优化算法的搜索步骤 | 第48-49页 |
| ·基于采样的搜索模型 | 第49页 |
| ·采样模型 | 第49-51页 |
| ·信息结构 | 第51-52页 |
| ·信息采集模型 | 第52-53页 |
| ·智能优化算法的概率模型 | 第53-58页 |
| ·纯随机搜索在理论上的收敛性 | 第53-54页 |
| ·智能优化算法的概率模型 | 第54-56页 |
| ·智能优化算法概率模型的演化 | 第56-57页 |
| ·智能优化算子 | 第57-58页 |
| ·典型智能优化算法的概率模型 | 第58-64页 |
| ·模拟退火算法的概率模型 | 第58-60页 |
| ·遗传算法的概率模型 | 第60-61页 |
| ·蚁群算法的概率模型 | 第61-62页 |
| ·粒子群算法的概率模型 | 第62-64页 |
| ·本章小结 | 第64-65页 |
| 第4章 智能优化算法概率模型的评价 | 第65-80页 |
| ·概率模型的评价指标 | 第65-68页 |
| ·分布密度函数 | 第65-66页 |
| ·寻优概率 | 第66-67页 |
| ·寻优信息熵 | 第67页 |
| ·信息的有效性 | 第67-68页 |
| ·寻优概率的估计 | 第68-73页 |
| ·纯Monte Carlo方法估计 | 第69页 |
| ·重点采样估计 | 第69-70页 |
| ·分阶段估计方法 | 第70-71页 |
| ·寻优概率估计举例 | 第71-73页 |
| ·智能优化算法有效性的评价 | 第73-77页 |
| ·智能优化算法的有效性 | 第73-74页 |
| ·智能优化算法的偏置能力 | 第74-76页 |
| ·智能优化算法的遍历能力 | 第76-77页 |
| ·智能优化算子的评价 | 第77-78页 |
| ·智能优化算子有效性 | 第77-78页 |
| ·优化算子有效性评价方法 | 第78页 |
| ·本章小结 | 第78-80页 |
| 第5章 智能优化算法性能的评价 | 第80-92页 |
| ·智能优化的性能评价指标 | 第80-84页 |
| ·传统优化算法的性能指标 | 第80-81页 |
| ·智能优化算法的性能指标 | 第81-84页 |
| ·基于纯随机搜索算法的评价方法 | 第84-87页 |
| ·纯随机搜索算法的分布函数 | 第84-85页 |
| ·纯随机搜索算法的性能 | 第85-86页 |
| ·基于纯随机搜索的性能评价 | 第86-87页 |
| ·智能优化算法行为的评价 | 第87-90页 |
| ·重点区域 | 第87-88页 |
| ·目标值下降曲线 | 第88-89页 |
| ·样本覆盖性 | 第89-90页 |
| ·本章小结 | 第90-92页 |
| 第6章 智能优化算法的设计方法 | 第92-111页 |
| ·优化算法设计一般步骤 | 第92-94页 |
| ·算法的选择 | 第92-93页 |
| ·算子设计 | 第93页 |
| ·参数设计 | 第93-94页 |
| ·数值实验 | 第94页 |
| ·智能优化算法的选择 | 第94-100页 |
| ·智能优化算法选择的原理 | 第94-95页 |
| ·知识库的构建 | 第95-100页 |
| ·智能优化算子设计 | 第100-104页 |
| ·采样算子的设计原则 | 第101页 |
| ·智能优化算子设计举例 | 第101-104页 |
| ·智能优化算法参数设计 | 第104-110页 |
| ·参数对算法性能的影响 | 第104-106页 |
| ·参数选择原理 | 第106页 |
| ·参数设计举例 | 第106-110页 |
| ·本章小结 | 第110-111页 |
| 第7章 智能优化算法融合方法与技术 | 第111-126页 |
| ·基于搜索结果的算法融合 | 第111-115页 |
| ·基于搜索结果的算法融合原理 | 第111-112页 |
| ·大规模TSP问题的自适应动态分解方法 | 第112-115页 |
| ·基于信息结构的算法融合 | 第115-118页 |
| ·典型智能优化算法中信息结构的意义 | 第115-116页 |
| ·基于信息结构的算法融合原理 | 第116-117页 |
| ·一种基于负向偏置的蚁群算法 | 第117-118页 |
| ·基于先验知识的算法融合 | 第118-122页 |
| ·基于先验知识的算法融合的基本原理 | 第118页 |
| ·融合先验知识的遗传算法 | 第118-122页 |
| ·基于样本信息的算法融合 | 第122-124页 |
| ·基于样本信息的算法融合原理 | 第122页 |
| ·样本信息的选择策略 | 第122-123页 |
| ·遗传-蚁群融合算法 | 第123-124页 |
| ·本章小结 | 第124-126页 |
| 第8章 总结与展望 | 第126-129页 |
| ·本文工作的主要内容 | 第126-127页 |
| ·本文的主要贡献 | 第127-128页 |
| ·未来研究工作的展望 | 第128-129页 |
| 参考文献 | 第129-139页 |
| 攻读博士学位期间主要的研究成果 | 第139-140页 |
| 致谢 | 第140-141页 |
