| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-15页 |
| ·选题背景与研究意义 | 第9-10页 |
| ·粒子群优化算法的国内外研究现状 | 第10-13页 |
| ·本文的主要工作 | 第13-14页 |
| ·本文的结构 | 第14-15页 |
| 第二章 粒子群优化算法的研究 | 第15-27页 |
| ·基本粒子群优化算法 | 第15-19页 |
| ·基本粒子群优化算法中的基本概念 | 第15-16页 |
| ·基本粒子群优化算法的一般数学模型 | 第16-17页 |
| ·基本粒子群优化算法的流程 | 第17页 |
| ·基本粒子群优化算法的时间复杂度分析 | 第17-18页 |
| ·全局模型与局部模型 | 第18-19页 |
| ·常见的改进粒子群优化算法概述 | 第19-23页 |
| ·带惯性权重的标准粒子群优化算法 | 第19-20页 |
| ·带收缩因子的标准粒子群优化算法 | 第20页 |
| ·免疫粒子群优化算法 | 第20页 |
| ·混沌粒子群优化算法 | 第20-21页 |
| ·离散二进制粒子群优化算法 | 第21页 |
| ·协同粒子群优化算法 | 第21-22页 |
| ·基于拉伸技术的粒子群优化算法 | 第22页 |
| ·交叉粒子群优化算法 | 第22-23页 |
| ·粒子群优化算法与其他仿生算法的对比分析 | 第23-25页 |
| ·算法的相同点 | 第23-24页 |
| ·算法的不同点 | 第24-25页 |
| ·粒子群优化算法的不足之处 | 第25页 |
| ·本章小结 | 第25-27页 |
| 第三章 粒子群优化算法的改进 | 第27-43页 |
| ·PSO改进算法1 | 第27-33页 |
| ·粒子群优化算法中的参数分析 | 第27-28页 |
| ·改进思路 | 第28-29页 |
| ·PSO改进算法1中的关键技术 | 第29-32页 |
| ·PSO改进算法1的算法流程 | 第32-33页 |
| ·PSO改进算法2 | 第33-36页 |
| ·算法原理 | 第33-35页 |
| ·PSO改进算法2的算法流程 | 第35-36页 |
| ·实验分析 | 第36-40页 |
| ·测试用例 | 第36-37页 |
| ·参数设置 | 第37页 |
| ·实验结果及分析 | 第37-40页 |
| ·两种改进的粒子群优化算法的特点分析 | 第40-41页 |
| ·本章小结 | 第41-43页 |
| 第四章 改进的粒子群优化算法在人工神经网络中的应用 | 第43-59页 |
| ·人工神经网络概述 | 第43-47页 |
| ·人工神经网络的原理 | 第43-44页 |
| ·人工神经网络结构 | 第44-45页 |
| ·人工神经网络的学习和泛化 | 第45-46页 |
| ·人工神经网络的学习算法 | 第46-47页 |
| ·三层前馈神经网络及BP算法 | 第47-49页 |
| ·三层前馈神经网络 | 第47-48页 |
| ·BP算法 | 第48-49页 |
| ·基于改进粒子群优化算法的神经网络学习算法 | 第49-50页 |
| ·算法的设计思路 | 第49-50页 |
| ·算法的性能评价 | 第50页 |
| ·PSO改进算法1和PSO改进算法2应用于神经网络的权重训练 | 第50-51页 |
| ·PSO改进算法1训练BP神经网络的步骤 | 第51页 |
| ·PSO改进算法2训练BP神经网络的步骤 | 第51页 |
| ·实验分析 | 第51-58页 |
| ·异或问题(XOR)数据集上的实验 | 第51-53页 |
| ·Iris数据集上的实验 | 第53-54页 |
| ·入侵检测数据集上的实验 | 第54-58页 |
| ·本章小结 | 第58-59页 |
| 第五章 结束语 | 第59-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 研究成果 | 第67页 |