| 摘要 | 第14-16页 |
| ABSTRACT | 第16-17页 |
| 第1章 绪论 | 第18-32页 |
| 1.1 研究背景与意义 | 第18-19页 |
| 1.2 DE发展历程与文献分析 | 第19-22页 |
| 1.2.1 DE发展历程 | 第19-20页 |
| 1.2.2 DE相关文献分析 | 第20-22页 |
| 1.3 DE研究现状分析 | 第22-28页 |
| 1.3.1 DE演化算子的改进研究 | 第22-23页 |
| 1.3.2 DE控制参数的优化和组合应用 | 第23-25页 |
| 1.3.3 DE控制参数和演化算子的组合应用 | 第25页 |
| 1.3.4 DE算法与其他算法的混合 | 第25-27页 |
| 1.3.5 DE算法的性能增强机制 | 第27页 |
| 1.3.6 DE算法的应用领域扩展 | 第27-28页 |
| 1.4 论文主要研究内容 | 第28-30页 |
| 1.5 论文组织结构 | 第30-32页 |
| 第2章 DE算法及其演化模型分析 | 第32-60页 |
| 2.1 引言 | 第32页 |
| 2.2 DE算法的基本演化框架 | 第32-34页 |
| 2.2.1 种群初始化操作 | 第33页 |
| 2.2.2 变异操作 | 第33-34页 |
| 2.2.3 交叉操作 | 第34页 |
| 2.2.4 选择操作 | 第34页 |
| 2.3 DE算法相关理论研究现状 | 第34-37页 |
| 2.4 DE算法的演化模型分析 | 第37-51页 |
| 2.4.1 DE变异交叉操作的几何解释 | 第37-38页 |
| 2.4.2 种群初始化操作的演化角色分析 | 第38-40页 |
| 2.4.3 变异操作的演化角色分析 | 第40-44页 |
| 2.4.4 交叉操作的演化角色分析 | 第44-49页 |
| 2.4.5 选择操作的演化角色分析 | 第49-51页 |
| 2.5 DE演化过程的关键问题分析 | 第51-59页 |
| 2.5.1 DE种群的分布状态转换 | 第51-52页 |
| 2.5.2 DE演化数值的散化及影响 | 第52-54页 |
| 2.5.3 变异交叉操作的计算模型 | 第54-57页 |
| 2.5.4 DE算法的收敛性分析 | 第57-59页 |
| 2.6 本章小结 | 第59-60页 |
| 第3章 基于反向增强的DE算法求解参数识别问题 | 第60-74页 |
| 3.1 引言 | 第60页 |
| 3.2 双曲型方程的参数识别问题 | 第60-61页 |
| 3.3 基于反向学习的机制和算法 | 第61-64页 |
| 3.3.1 反向学习相关的文献综述 | 第61-62页 |
| 3.3.2 基于反向的学习机制(OBL) | 第62-63页 |
| 3.3.3 一般反向学习机制(GOBL) | 第63-64页 |
| 3.3.4 基于GOBL的DE算法(GODE) | 第64页 |
| 3.4 算法改进机制及求解流程 | 第64-67页 |
| 3.4.1 个体编码方法 | 第64-65页 |
| 3.4.2 适应值评估方法 | 第65-66页 |
| 3.4.3 平滑算子 | 第66页 |
| 3.4.4 算法求解流程 | 第66-67页 |
| 3.5 双曲型方程的参数辨识 | 第67-71页 |
| 3.5.1 环境设置 | 第67页 |
| 3.5.2 算例及求解结果 | 第67-70页 |
| 3.5.3 实验结果分析 | 第70-71页 |
| 3.5.4 算法收敛速度分析 | 第71页 |
| 3.6 本章小结 | 第71-74页 |
| 第4章 基于一般反向学习机制的DE算法改进 | 第74-92页 |
| 4.1 引言 | 第74页 |
| 4.2 基于自适应反向的DE算法 | 第74-76页 |
| 4.2.1 自适应反向学习机制 | 第74-75页 |
| 4.2.2 AGODE算法 | 第75-76页 |
| 4.2.3 计算时间复杂度 | 第76页 |
| 4.3 AGODE算法的实验验证 | 第76-80页 |
| 4.3.1 测试函数集 | 第76-77页 |
| 4.3.2 算法和参数设置 | 第77页 |
| 4.3.3 结果分析和讨论 | 第77-80页 |
| 4.4 基于动态种群机制的AGODE算法 | 第80-84页 |
| 4.4.1 变种群机制 | 第80-81页 |
| 4.4.2 动态种群机制 | 第81-83页 |
| 4.4.3 提出的AGODE-DP算法 | 第83-84页 |
| 4.5 AGODE-DP算法的实验验证 | 第84-90页 |
| 4.5.1 实验环境设置 | 第84页 |
| 4.5.2 机制的有效性验证 | 第84-85页 |
| 4.5.3 AGODE-DP和其他DE变体的性能比较 | 第85-89页 |
| 4.5.4 AGODE-DP算法可用性分析 | 第89-90页 |
| 4.6 本章小结 | 第90-92页 |
| 第5章 基于旋转学习机制的DE算法 | 第92-110页 |
| 5.1 引言 | 第92页 |
| 5.2 OBL机制及旋转解释 | 第92-93页 |
| 5.3 旋转学习机制 | 第93-98页 |
| 5.3.1 旋转学习的概念 | 第93-94页 |
| 5.3.2 旋转学习算子 | 第94-95页 |
| 5.3.3 搜索特性分析 | 第95-97页 |
| 5.3.4 应用模式分析 | 第97-98页 |
| 5.4 基于旋转学习的DE算法 | 第98-102页 |
| 5.4.1 RDE算法框架 | 第98-99页 |
| 5.4.2 RDE算法的收敛性分析 | 第99-101页 |
| 5.4.3 RDE算法的计算时间复杂度 | 第101-102页 |
| 5.5 仿真实验与分析 | 第102-109页 |
| 5.5.1 测试函数与配置 | 第102-103页 |
| 5.5.2 不同DE变异策略的比较 | 第103-104页 |
| 5.5.3 不同参数pr和β对算法性能的影响分析 | 第104页 |
| 5.5.4 RBL机制的有效性及性能分析 | 第104-108页 |
| 5.5.5 算法适用性分析 | 第108-109页 |
| 5.6 本章小结 | 第109-110页 |
| 第6章 总结与展望 | 第110-114页 |
| 6.1 主要研究成果 | 第110-111页 |
| 6.2 未来工作展望 | 第111-114页 |
| 参考文献 | 第114-126页 |
| 攻博期间发表的科研成果目录 | 第126-128页 |
| 致谢 | 第128页 |