基于多样性策略的动态多目标粒子群优化算法研究及应用
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 本文组织结构 | 第15-17页 |
| 第二章 动态多目标优化问题及粒子群优化算法 | 第17-27页 |
| 2.1 静态多目标优化问题 | 第17-19页 |
| 2.1.1 多目标优化问题的数学模型 | 第17-18页 |
| 2.1.2 相关定义 | 第18-19页 |
| 2.2 动态多目标优化问题 | 第19-20页 |
| 2.2.1 动态多目标优化问题的数学模型 | 第19-20页 |
| 2.2.2 动态多目标优化问题分类 | 第20页 |
| 2.3 粒子群优化算法 | 第20-21页 |
| 2.4 静态多目标粒子群优化算法 | 第21-23页 |
| 2.4.1 算法介绍及分析 | 第21-22页 |
| 2.4.2 算法框架 | 第22-23页 |
| 2.4.3 算法流程图 | 第23页 |
| 2.5 动态多目标粒子群优化算法介绍 | 第23-25页 |
| 2.5.1 算法介绍及分析 | 第23-24页 |
| 2.5.2 算法框架 | 第24页 |
| 2.5.3 基本流程图 | 第24-25页 |
| 2.6 与其它进化算法对比 | 第25-26页 |
| 2.7 本章小结 | 第26-27页 |
| 第三章 基于群体分布信息的新型多样性策略 | 第27-46页 |
| 3.1 改进策略的研究基础 | 第27-28页 |
| 3.2 现有多样性策略的分类与不足 | 第28-29页 |
| 3.3 种群分布特征的定量分析 | 第29-31页 |
| 3.4 进化状态分类 | 第31-32页 |
| 3.5 基于群体分布特征的多样性引入策略 | 第32-33页 |
| 3.6 基于进化状态的多样性保持策略 | 第33-36页 |
| 3.6.1 非支配解集维护策略 | 第34-35页 |
| 3.6.2 最优个体选择策略 | 第35-36页 |
| 3.7 基于群体分布信息的多样性策略流程 | 第36-37页 |
| 3.8 实验及分析 | 第37-45页 |
| 3.8.1 测试问题 | 第37页 |
| 3.8.2 实验设计及参数设置 | 第37-38页 |
| 3.8.3 评价指标 | 第38-39页 |
| 3.8.4 实验结果与分析 | 第39-45页 |
| 3.9 本章小结 | 第45-46页 |
| 第四章 基于多样性策略的动态多目标粒子群优化算法 | 第46-64页 |
| 4.1 问题分析 | 第46-47页 |
| 4.2 自适应动态环境处理 | 第47-48页 |
| 4.2.1 基于指标计算的动态环境监测策略 | 第47-48页 |
| 4.2.2 自适应动态环境响应策略 | 第48页 |
| 4.3 算法流程 | 第48-49页 |
| 4.4 实验及分析 | 第49-63页 |
| 4.4.1 动态多目标优化测试问题 | 第49-51页 |
| 4.4.2 实验设计及参数设置 | 第51-52页 |
| 4.4.3 评价指标 | 第52-53页 |
| 4.4.4 实验结果与分析 | 第53-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 动态电力系统优化问题求解应用 | 第64-75页 |
| 5.1 问题背景 | 第64页 |
| 5.2 问题定义 | 第64-65页 |
| 5.3 约束处理 | 第65-66页 |
| 5.4 最优解选择 | 第66页 |
| 5.5 实验及分析 | 第66-74页 |
| 5.5.1 实验设计及参数设置 | 第66-67页 |
| 5.5.2 评价标准 | 第67-68页 |
| 5.5.3 实验结果与分析 | 第68-74页 |
| 5.6 小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 总结 | 第75-76页 |
| 6.2 下一步工作与展望 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 致谢 | 第83-84页 |
| 作者简介 | 第84-85页 |
