| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 引言 | 第11页 |
| 1.2 研究背景与意义 | 第11-13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.4 论文组织结构及创新点 | 第15-16页 |
| 1.4.1 组织结构 | 第15页 |
| 1.4.2 创新点 | 第15-16页 |
| 第2章 自适应行为研究综述 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 基于自组织映射的自适应行为分析 | 第16-21页 |
| 2.2.1 自适应性 | 第16-17页 |
| 2.2.2 自组织映射原理 | 第17-19页 |
| 2.2.3 自组织映射算法 | 第19页 |
| 2.2.4 基于SOM的粒子群算法自适应行为研究 | 第19-21页 |
| 2.3 基于统计力学理论的自适应行为分析 | 第21-24页 |
| 2.3.1 统计力学 | 第21-22页 |
| 2.3.2 麦克斯韦-玻尔兹曼分布 | 第22页 |
| 2.3.3 基于统计力学的自适应行为分析 | 第22-24页 |
| 2.4 基于马尔可夫链理论的自适应行为分析 | 第24-25页 |
| 2.4.1 马尔可夫链 | 第24-25页 |
| 2.4.2 基于马尔可夫链的自适应行为分析 | 第25页 |
| 2.5 自适应行为研究待解决问题 | 第25-26页 |
| 第3章 基于相对熵和相关性的自适应行为分析 | 第26-36页 |
| 3.1 引言 | 第26页 |
| 3.2 信息熵的建立 | 第26-29页 |
| 3.2.1 K-means聚类算法 | 第26-27页 |
| 3.2.2 信息熵 | 第27页 |
| 3.2.3 建立信息熵 | 第27-29页 |
| 3.3 群体半径的求解 | 第29页 |
| 3.4 和相关指标的建立 | 第29-31页 |
| 3.5 相对熵及相关系数 | 第31-35页 |
| 3.5.1 相对熵 | 第31-32页 |
| 3.5.2 相关系数 | 第32-33页 |
| 3.5.3 相对熵与相关系数的求解 | 第33-35页 |
| 3.6 算法分析流程图 | 第35-36页 |
| 第4章 实验设计与结果分析 | 第36-58页 |
| 4.1 引言 | 第36-38页 |
| 4.2 标准粒子群算法的实验结果及分析 | 第38-48页 |
| 4.2.1 信息熵的实验结果及分析 | 第38-44页 |
| 4.2.2 基于相对熵和相关性的多种指标的实验结果及分析 | 第44-48页 |
| 4.3 多种改进粒子群算法的实验结果及分析 | 第48-58页 |
| 第5章 总结与展望 | 第58-59页 |
| 5.1 总结 | 第58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 作者简介及科研成果 | 第62-63页 |
| 致谢 | 第63页 |