蝙蝠算法的收敛性分析
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 群智能算法 | 第9页 |
| 1.3 BA算法研究现状 | 第9-10页 |
| 1.3.1 BA算法的理论研究 | 第9-10页 |
| 1.3.2 BA算法的改进研究 | 第10页 |
| 1.4 本文创新点和结构设计 | 第10-12页 |
| 1.4.1 本文创新点 | 第10页 |
| 1.4.2 本文的章节设计 | 第10-12页 |
| 2 BA算法的概述 | 第12-16页 |
| 2.1 BA优化算法的基本思想 | 第12页 |
| 2.2 BA算法的基本原理 | 第12-15页 |
| 2.3 BA算法的基本流程 | 第15页 |
| 2.4 本章小结 | 第15-16页 |
| 3 基于Markov理论的BA算法收敛性分析 | 第16-26页 |
| 3.1 预备知识 | 第16-18页 |
| 3.1.1 Markov链简介 | 第16-17页 |
| 3.1.2 随机优化算法的全局收敛标准 | 第17-18页 |
| 3.2 BA算法的Markov链模型 | 第18-21页 |
| 3.2.1 Markov链模型的建立 | 第18-21页 |
| 3.3 BA算法的全局收敛性分析 | 第21-23页 |
| 3.4 数值仿真实验 | 第23-24页 |
| 3.5 本章小结 | 第24-26页 |
| 4 基于动态矩阵理论的BA算法收敛性分析 | 第26-30页 |
| 4.1 BA算法的动态矩阵模型 | 第26-28页 |
| 4.2 收敛性分析 | 第28-29页 |
| 4.2.1 动态矩阵模式下算法收敛性分析 | 第28-29页 |
| 4.3 本章小结 | 第29-30页 |
| 5 提升收敛性能的改进BA算法 | 第30-46页 |
| 5.1 基于随机惯性权重学习机制的改进 | 第30-36页 |
| 5.1.1 随机惯性权重策略 | 第30页 |
| 5.1.2 算法描述 | 第30-31页 |
| 5.1.3 实验仿真与结果分析 | 第31-36页 |
| 5.2 基于时变惯性权重学习机制的改进 | 第36-44页 |
| 5.2.1 时变惯性权重策略 | 第36-37页 |
| 5.2.2 算法描述 | 第37-38页 |
| 5.2.3 实验仿真与结果分析 | 第38-44页 |
| 5.3 本章小结 | 第44-46页 |
| 6 总结与展望 | 第46-48页 |
| 6.1 总结 | 第46页 |
| 6.2 展望 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 攻读硕士学位期间发表学术论文清单 | 第52-54页 |
| 致谢 | 第54页 |
