| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 注释表 | 第10-11页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及研究基础 | 第11-12页 |
| 1.2 模型预测控制概述 | 第12-14页 |
| 1.2.1 模型预测控制原理 | 第12-13页 |
| 1.2.2 模型预测控制机理 | 第13页 |
| 1.2.3 单步及多步模型算法控制 | 第13-14页 |
| 1.3 论文结构体系 | 第14-16页 |
| 第2章 支持向量机 | 第16-27页 |
| 2.1 支持向量机概述 | 第16-23页 |
| 2.1.1 统计学习理论 | 第16-18页 |
| 2.1.2 支持向量分类机 | 第18-21页 |
| 2.1.3 支持向量回归机 | 第21-23页 |
| 2.2 支持向量回归机核函数选择 | 第23-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 基于多智能体PSO的SVR单步模型预测控制 | 第27-49页 |
| 3.1 多智能体粒子群算法 | 第27-32页 |
| 3.1.1 标准粒子群算法(PSO) | 第27-29页 |
| 3.1.2 多智能体粒子群算法(MAPSO) | 第29-31页 |
| 3.1.3 MAPSO算法流程 | 第31-32页 |
| 3.2 基于多智能体PSO优化的多项式核SVR单步模型预测控制 | 第32-41页 |
| 3.2.1 算式推导 | 第32-35页 |
| 3.2.2 算法步骤 | 第35-36页 |
| 3.2.3 实例分析 | 第36-41页 |
| 3.3 基于多智能体PSO优化的RBF核SVR单步模型预测控制 | 第41-48页 |
| 3.3.1 算式推导 | 第41-44页 |
| 3.3.2 算法步骤 | 第44-45页 |
| 3.3.3 实例分析 | 第45-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第4章 基于多智能体PSO的在线SVR多步预测控制 | 第49-63页 |
| 4.1 在线支持向量回归机 | 第49-53页 |
| 4.1.1 获取增量 | 第50-52页 |
| 4.1.2 样本移动 | 第52页 |
| 4.1.3 矩阵有效运算 | 第52-53页 |
| 4.2 基于多智能体PSO优化的在线SVR多步模型预测控制 | 第53-62页 |
| 4.2.1 算式推导 | 第53-57页 |
| 4.2.2 算法步骤 | 第57页 |
| 4.2.3 实例分析 | 第57-62页 |
| 4.3 本章小结 | 第62-63页 |
| 第5章 总结与展望 | 第63-66页 |
| 5.1 研究工作总结 | 第63-64页 |
| 5.2 前景展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 附录：攻读硕士学位期间发表的论文及专利 | 第71页 |
