| 摘要 | 第1-7页 |
| Abstract | 第7-14页 |
| 1 绪论 | 第14-26页 |
| ·课题研究的意义 | 第14页 |
| ·国内外研究现状 | 第14-24页 |
| ·群智能优化算法概述 | 第14-18页 |
| ·粒子群优化算法的研究现状 | 第18-20页 |
| ·人工蜂群算法的研究现状 | 第20-23页 |
| ·群智能混合优化算法研究现状 | 第23-24页 |
| ·本文的创新点 | 第24-25页 |
| ·本文的内容安排 | 第25-26页 |
| 2 改进混沌粒子群优化算法及应用 | 第26-44页 |
| ·改进的混沌粒子群优化算法 | 第26-33页 |
| ·混沌模型 | 第26页 |
| ·粒子群优化算法 | 第26-27页 |
| ·改进混沌粒子群优化算法 | 第27-29页 |
| ·改进混沌粒子群优化算法流程 | 第29-32页 |
| ·函数优化测试 | 第32-33页 |
| ·基于改进混沌粒子群的动态模糊神经网络的参数优化 | 第33-38页 |
| ·动态模糊神经网络模型 | 第33-34页 |
| ·混沌粒子群优化动态模糊神经网络参数 | 第34-35页 |
| ·UCI数据集测试 | 第35-36页 |
| ·基于改进动态模糊神经网络的煤与瓦斯突出预测模型 | 第36-38页 |
| ·基于改进混沌粒子群的SVM混合核参数优化 | 第38-43页 |
| ·支持向量机 | 第39-40页 |
| ·混合核函数 | 第40页 |
| ·基于改进混沌粒子群的SVM混合核参数优化 | 第40-41页 |
| ·函数拟合仿真 | 第41-42页 |
| ·基于改进SVM的煤与瓦斯突出预测模型 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 3 混沌差分进化粒子群的协同优化算法 | 第44-54页 |
| ·混沌差分进化算法 | 第44-47页 |
| ·差分进化算法 | 第44-45页 |
| ·混沌差分进化算法 | 第45-47页 |
| ·混沌差分进化粒子群的协同优化算法 | 第47-49页 |
| ·基于反向学习策略的种群初始化 | 第47页 |
| ·边界处理方法 | 第47页 |
| ·信息交互学习机制 | 第47-48页 |
| ·混沌差分进化粒子群的协同算法流程 | 第48-49页 |
| ·数值函数优化 | 第49-52页 |
| ·测试函数 | 第49页 |
| ·反向学习策略的性能分析 | 第49-50页 |
| ·边界处理方法的性能分析 | 第50页 |
| ·CDE-CPSO算法性能分析 | 第50-52页 |
| ·本章小结 | 第52-54页 |
| 4 自适应Tent混沌人工蜂群算法 | 第54-76页 |
| ·人工蜂群算法 | 第54-56页 |
| ·人工蜂群算法描述 | 第55页 |
| ·人工蜂群算法步骤与流程 | 第55-56页 |
| ·自适应Tent混沌人工蜂群算法 | 第56-60页 |
| ·混沌映射与Tent混沌序列 | 第56-58页 |
| ·混沌反向学习初始化策略 | 第58页 |
| ·自适应Tent混沌搜索 | 第58-59页 |
| ·锦标赛选择策略 | 第59页 |
| ·自适应Tent混沌人工蜂群算法流程 | 第59-60页 |
| ·数值函数优化 | 第60-68页 |
| ·参数设置 | 第61页 |
| ·混沌反向学习初始化策略的性能分析 | 第61-62页 |
| ·改进人工蜂群算法的性能分析 | 第62-66页 |
| ·参数Limit对算法性能的影响 | 第66-68页 |
| ·基于改进人工蜂群的SVR电力负荷预测模型 | 第68-74页 |
| ·电力负荷预测技术综述 | 第68-69页 |
| ·基于改进人工蜂群算法的SVR预测模型 | 第69-71页 |
| ·实验结果与分析 | 第71-74页 |
| ·本章小结 | 第74-76页 |
| 5 Tent混沌人工蜂群与粒子群混合算法 | 第76-96页 |
| ·Tent混沌粒子群优化算法 | 第76-78页 |
| ·粒子群优化算法 | 第77页 |
| ·Tent混沌粒子群算法流程 | 第77-78页 |
| ·Tent混沌人工蜂群与粒子群混合算法 | 第78-80页 |
| ·混沌反向学习策略 | 第78-79页 |
| ·重组算子 | 第79页 |
| ·算法流程 | 第79-80页 |
| ·数值函数优化 | 第80-84页 |
| ·参数设置 | 第80-81页 |
| ·实验结果与分析 | 第81-84页 |
| ·基于Tent混沌人工蜂群与粒子群混合算法的多序列比对 | 第84-94页 |
| ·多序列比对问题描述 | 第85页 |
| ·多序列比对问题优化模型 | 第85-86页 |
| ·基于Tent混沌粒子群优化算法的多序列比对 | 第86-88页 |
| ·基于Tent人工蜂群算法的多序列比对 | 第88-90页 |
| ·基于Tent混沌人工蜂群粒子群混合算法的多序列比对 | 第90-91页 |
| ·实验结果与分析 | 第91-94页 |
| ·本章小结 | 第94-96页 |
| 6 群智能混合优化算法在入侵检测中的应用 | 第96-120页 |
| ·入侵检测技术综述 | 第96-98页 |
| ·核主成分分析 | 第98-99页 |
| ·SVM中核函数的选择 | 第99-101页 |
| ·基于群智能混合优化算法的SVM入侵检测模型 | 第101-103页 |
| ·入侵检测类型及预处理 | 第101页 |
| ·SVM入侵检测分类器设计 | 第101-102页 |
| ·SVM入侵检测模型的运行 | 第102-103页 |
| ·基于改进混沌粒子群的SVM入侵检测 | 第103-111页 |
| ·基于改进混沌粒子群的SVM参数优化流程 | 第103-104页 |
| ·实验结果与分析 | 第104-111页 |
| ·基于混沌差分进化粒子群的SVM入侵检测 | 第111-113页 |
| ·基于混沌差分进化粒子群的SVM参数优化流程 | 第111-112页 |
| ·实验结果与分析 | 第112-113页 |
| ·基于Tent混沌人工蜂群的SVM入侵检测 | 第113-116页 |
| ·基于Tent混沌人工蜂群的SVM参数优化流程 | 第113-114页 |
| ·实验结果与分析 | 第114-116页 |
| ·基于Tent混沌人工蜂群粒子群的SVM入侵检测 | 第116-119页 |
| ·基于Tent混沌人工蜂群粒子群的SVM参数优化流程 | 第116-117页 |
| ·实验结果与分析 | 第117-119页 |
| ·本章小结 | 第119-120页 |
| 7 结论与展望 | 第120-122页 |
| ·结论 | 第120-121页 |
| ·展望 | 第121-122页 |
| 致谢 | 第122-123页 |
| 参考文献 | 第123-138页 |
| 附录 | 第138-139页 |
