| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-24页 |
| 1.1 群智能研究背景与意义 | 第9-13页 |
| 1.2 三种智能算法研究综述 | 第13-22页 |
| 1.2.1 粒子群算法研究概述 | 第13-16页 |
| 1.2.2 果蝇算法研究概述 | 第16-20页 |
| 1.2.3 花授粉算法研究概述 | 第20-22页 |
| 1.3 本文的研究创新与章节安排 | 第22-24页 |
| 1.3.1 本文创新点简述 | 第22页 |
| 1.3.2 本文章节安排 | 第22-24页 |
| 第二章 粒子群优化算法拓展研究 | 第24-32页 |
| 2.1 动态学习混沌映射的粒子群算法 | 第24-26页 |
| 2.1.1 算法设计与分析 | 第24-25页 |
| 2.1.2 算法实现 | 第25-26页 |
| 2.2 仿真实验与结果分析 | 第26-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第三章 果蝇优化算法拓展研究 | 第32-51页 |
| 3.1 最优小波转移的逆向果蝇优化算法 | 第32-37页 |
| 3.1.1 小波转移与聚集度设计 | 第32-33页 |
| 3.1.2 算法实现 | 第33-34页 |
| 3.1.3 仿真实验与结果分析 | 第34-37页 |
| 3.2 动态搜索协同进化的果蝇优化算法 | 第37-43页 |
| 3.2.1 牵引算子与动态策略 | 第37-38页 |
| 3.2.2 算法实现 | 第38-39页 |
| 3.2.3 仿真实验与结果分析 | 第39-43页 |
| 3.3 自适应搜索云逃逸的果蝇优化算法 | 第43-50页 |
| 3.3.1 自适应策略与正态云模型理论 | 第43-45页 |
| 3.3.2 算法实现 | 第45页 |
| 3.3.3 仿真实验与结果分析 | 第45-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第四章 花授粉优化算法拓展以及神经网络模型优化研究 | 第51-61页 |
| 4.1 花授粉算法描述 | 第51-52页 |
| 4.2 基于进化控制与非均匀变异的花授粉算法 | 第52-55页 |
| 4.2.1 算法改进思想分析 | 第52-54页 |
| 4.2.2 算法实现 | 第54-55页 |
| 4.3 数值仿真实验分析 | 第55-58页 |
| 4.4 优化神经网络预测实验研究 | 第58-59页 |
| 4.5 本章小结 | 第59-61页 |
| 第五章 结论与展望 | 第61-63页 |
| 5.1 主要研究成果及结论 | 第61页 |
| 5.2 展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间的研究成果 | 第68-69页 |