| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-14页 |
| ·研究背景及意义 | 第10-11页 |
| ·本文的主要工作和成果 | 第11-12页 |
| ·本文的组织 | 第12-14页 |
| 第二章 优化问题的理论基础 | 第14-19页 |
| ·进化计算 | 第14-15页 |
| ·群智能 | 第15-17页 |
| ·遗传算法 | 第15-16页 |
| ·蚁群算法 | 第16-17页 |
| ·粒子群优化算法 | 第17页 |
| ·最优化问题 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 第三章 粒子群优化算法 | 第19-29页 |
| ·粒子群算法的研究和改进 | 第19-21页 |
| ·原始粒子群优化算法 | 第21-24页 |
| ·算法原理 | 第21-22页 |
| ·算法流程 | 第22-23页 |
| ·PSO 算法的两种模型 | 第23-24页 |
| ·标准粒子群优化算法 | 第24-27页 |
| ·惯性权重（Inertia weight）的引入 | 第25-26页 |
| ·收缩因子（Constriction factor）的引入 | 第26-27页 |
| ·粒子群算法与其它进化算法的比较 | 第27-28页 |
| ·相似点 | 第27页 |
| ·不同点 | 第27-28页 |
| ·粒子群算法的应用 | 第28页 |
| ·本章小结 | 第28-29页 |
| 第四章 基于量子行为的改进粒子群优化算法 | 第29-42页 |
| ·引言 | 第29-30页 |
| ·原算法的原理及局限性 | 第30-31页 |
| ·改进的粒子群算法及在单目标优化中的应用 | 第31-41页 |
| ·改进的粒子群算法流程 | 第31-32页 |
| ·实验方法 | 第32-36页 |
| ·算法仿真结果及分析 | 第36-41页 |
| ·实验结论 | 第41页 |
| ·本章小结 | 第41-42页 |
| 第五章 基于拥挤度和惯性权重的改进多目标粒子群算法 | 第42-62页 |
| ·多目标优化算法的研究及发展现状 | 第42-44页 |
| ·经典的多目标优化方法及局限性 | 第44-46页 |
| ·经典的多目标优化方法 | 第44-46页 |
| ·经典方法的局限性 | 第46页 |
| ·有关多目标优化的基本概念及定义 | 第46-50页 |
| ·设计多目标粒子群算法的目标及评价指标 | 第50-52页 |
| ·改进的算法采用的相关技术 | 第52-56页 |
| ·拥挤度的算法 | 第52-54页 |
| ·动态惯性权重聚合策略 | 第54-55页 |
| ·归档机制 | 第55-56页 |
| ·改进的多目标粒子群算法 | 第56-61页 |
| ·算法原理 | 第56-57页 |
| ·算法流程 | 第57-58页 |
| ·实验方法 | 第58-59页 |
| ·算法仿真结果及分析 | 第59-61页 |
| ·算法复杂度分析 | 第61页 |
| ·本章小结 | 第61-62页 |
| 第六章 结论与展望 | 第62-64页 |
| ·本文的总结 | 第62-63页 |
| ·未来展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 攻硕期间取得的成果 | 第70-71页 |