| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究背景 | 第7-9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.3 本文工作 | 第10-11页 |
| 1.4 内容安排 | 第11-13页 |
| 第二章 混合蛙跳算法概述 | 第13-27页 |
| 2.1 最优化问题 | 第13-15页 |
| 2.1.1 最优化问题的定义 | 第13-14页 |
| 2.1.2 最优化问题的求解 | 第14-15页 |
| 2.2 混合蛙跳算法原理 | 第15-20页 |
| 2.2.1 模因算法与粒子群算法 | 第16-17页 |
| 2.2.2 原理分析 | 第17页 |
| 2.2.3 基本概念 | 第17-19页 |
| 2.2.4 算法参数设置 | 第19-20页 |
| 2.3 混合蛙跳算法流程 | 第20-25页 |
| 2.3.1 初始化 | 第21页 |
| 2.3.2 子种群划分 | 第21页 |
| 2.3.3 局部搜索 | 第21-22页 |
| 2.3.4 子种群混合 | 第22页 |
| 2.3.5 算法流程图 | 第22-25页 |
| 2.4 SFLA 的缺陷 | 第25页 |
| 2.5 小结 | 第25-27页 |
| 第三章 改进的混合蛙跳算法 | 第27-37页 |
| 3.1 初始种群的构造 | 第27-30页 |
| 3.1.1 拉丁超立方体抽样方法 | 第27-28页 |
| 3.1.2 LHS 方法的筛选 | 第28-29页 |
| 3.1.3 改进的初始种群构造 | 第29-30页 |
| 3.2 基于非线性惯性权值和自适应移动算子的局部搜索 | 第30-33页 |
| 3.2.1 非线性惯性权值 | 第31页 |
| 3.2.2 自适应移动算子 | 第31-33页 |
| 3.2.3 改进的局部搜索 | 第33页 |
| 3.3 种群的自我学习 | 第33-36页 |
| 3.3.1 Baldwin 效应 | 第34页 |
| 3.3.2 基于 Baldwin 效应的自我学习 | 第34-36页 |
| 3.4 算法设计 | 第36页 |
| 3.5 小结 | 第36-37页 |
| 第四章 ISFLA 仿真与分析 | 第37-51页 |
| 4.1 经典测试函数 | 第37-44页 |
| 4.2 求解精度对比 | 第44-46页 |
| 4.3 收敛速度对比 | 第46-49页 |
| 4.4 小结 | 第49-51页 |
| 第五章 结束语 | 第51-53页 |
| 5.1 总结 | 第51页 |
| 5.2 展望 | 第51-53页 |
| 致谢 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 研究成果 | 第59-60页 |