首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文

粒子群优化算法的研究与改进

摘要第1-4页
Abstract第4-8页
第1章 绪论第8-12页
   ·课题背景第8-9页
   ·国内外研究现状和进展第9-10页
   ·本文的主要成果第10-11页
   ·本文的组织第11-12页
第2章 研究基础第12-25页
   ·引言第12页
   ·优化第12-15页
     ·局部优化第13-14页
     ·全局优化第14页
     ·无免费午餐定理第14-15页
   ·进化计算第15-21页
     ·遗传算法第16-18页
     ·进化策略第18-19页
     ·进化规划第19页
     ·遗传程序设计第19-20页
     ·进化计算的主要特点第20-21页
   ·群体智能第21-24页
     ·什么是群体智能第21页
     ·蚁群优化算法第21-23页
     ·粒子群优化算法第23-24页
     ·群体智能的特点和优点第24页
   ·本章小结第24-25页
第3章 粒子群优化算法第25-47页
   ·引言第25页
   ·原始粒子群优化算法第25-30页
     ·算法原理第25-27页
     ·算法参数第27页
     ·算法边界条件第27-28页
     ·算法步骤第28页
     ·算法时间复杂度分析第28-29页
     ·PSO 与GA 的比较第29-30页
   ·二进制PSO第30页
   ·粒子群优化算法的发展与改进第30-38页
     ·PSO 参数改进第31-33页
     ·PSO 拓扑改进第33-34页
     ·PSO 混合算法第34-38页
   ·PSO 算法的应用第38-42页
     ·函数优化第39页
     ·神经网络训练第39-41页
     ·组合优化第41页
     ·PSO 的工程应用第41-42页
   ·基准测试函数第42-46页
   ·PSO 演示第46页
   ·本章小结第46-47页
第4章 基于雁群启示的粒子群优化算法第47-56页
   ·引言第47页
   ·PSO 术语第47-48页
   ·基于雁群启示的惯性权重线性下降算法第48-53页
     ·LDW第48页
     ·基于雁群启示的LDW第48-51页
     ·实验分析第51-53页
   ·基于雁群启示的收缩因子模型第53-54页
     ·CFM第53页
     ·基于雁群启示的CFM第53-54页
     ·实验分析第54页
   ·本章小结第54-56页
结论第56-57页
参考文献第57-62页
攻读学位期间发表的学术论文第62-63页
哈尔滨工业大学硕士学位论文原创性声明第63页
哈尔滨工业大学硕士学位论文使用授权书第63页
哈尔滨工业大学硕士学位涉密论文管理第63-64页
致谢第64页

论文共64页,点击 下载论文
上一篇:双酚A影响大鼠雄性子代脑多巴胺神经系统发育和功能的机理研究
下一篇:一种新型重组免疫毒素DT390-Rantes治疗小鼠实验性自身免疫性脑脊髓炎的研究