粒子群优化算法及其在过程工业上的应用
| 致谢 | 第1-6页 |
| 目次 | 第6-8页 |
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 表格 | 第10-11页 |
| 插图 | 第11-13页 |
| 重要缩略语说明 | 第13-14页 |
| 1. 绪论 | 第14-25页 |
| ·引言 | 第14页 |
| ·智能算法 | 第14-22页 |
| ·发展现状 | 第14-16页 |
| ·免疫优化算法 | 第16-17页 |
| ·遗传算法 | 第17-20页 |
| ·蚁群优化算法 | 第20-22页 |
| ·智能算法在工业上的应用 | 第22-23页 |
| ·本文的内容安排 | 第23-24页 |
| ·小结 | 第24-25页 |
| 2. 粒子群优化算法及其改进 | 第25-52页 |
| ·引言 | 第25-28页 |
| ·若干重要改进PSO算法 | 第28-35页 |
| ·变参数PSO算法 | 第28-31页 |
| ·变拓扑结构PSO算法 | 第31-33页 |
| ·合作PSO算法 | 第33-35页 |
| ·改进的变参数PSO算法 | 第35-43页 |
| ·进化状态估计 | 第36-39页 |
| ·算法控制 | 第39-43页 |
| ·算法性能比较 | 第43-51页 |
| ·小结 | 第51-52页 |
| 3. 基于粒子群优化算法的熔融指数在线预报模型 | 第52-79页 |
| ·引言 | 第52-53页 |
| ·熔融指数预报 | 第53-58页 |
| ·熔融指数预报方法 | 第53-56页 |
| ·过程数据及其预处理 | 第56-58页 |
| ·模型结构与优化 | 第58-68页 |
| ·基于RBF神经网络的模型 | 第58-62页 |
| ·基于模糊神经网络的模型 | 第62-66页 |
| ·基于PSO算法的在线矫正算法 | 第66-68页 |
| ·模型性能比较 | 第68-78页 |
| ·基于RBF神经网络的模型 | 第69-73页 |
| ·基于模糊神经网络的模型 | 第73-78页 |
| ·小结 | 第78-79页 |
| 4. 粒子群优化算法在动态优化问题上的应用 | 第79-100页 |
| ·引言 | 第79-81页 |
| ·动态优化原理 | 第81-85页 |
| ·动态优化的基本概念 | 第81-82页 |
| ·动态优化的解法 | 第82-85页 |
| ·基于约束PSO算法的动态优化问题解法 | 第85-90页 |
| ·高斯伪谱法原理 | 第85-87页 |
| ·约束优化问题求解 | 第87-90页 |
| ·算法性能比较 | 第90-99页 |
| ·约束优化基准测试 | 第90-96页 |
| ·动态优化基准测试 | 第96-99页 |
| ·结论 | 第99-100页 |
| 5. 总结与展望 | 第100-102页 |
| ·全文总结 | 第100-101页 |
| ·研究设想与展望 | 第101-102页 |
| 参考文献 | 第102-108页 |
| 作者攻读硕士期间的成果 | 第108-109页 |
| 致谢 | 第109页 |
