声明
摘要
第1章 绪论
1.1 算法研究背景及意义
1.2 粒子群算法的研究现状
1.2.1 理论研究现状
1.2.2 离散粒子群研究现状
1.2.3 应用研究现状
1.3 本文的研究重点与章节安排
1.3.1 研究重点
1.3.2 论文结构
第2章 算法的理论基础研究
2.1 优化知识概述
2.1.1 优化问题的内涵
2.1.2 优化算法及其分类
2.2 智能优化算法
2.2.1 进化类智能算法
2.2.2 群体智能
2.2.3 其他智能算法
2.2.4 无免费午餐定理(NFLT)
2.3 粒子群优化算法概述
2.3.1 PSO的基本结构框架
2.3.2 PSO的邻域结构简述
2.3.3 粒子群算法改进的探索方向及原则
2.4 本章小结
第3章 基于遗传的粒子群优化算法
3.1 引言
3.2 改进的优化算法机制
3.2.1 惯性权重因子的非线性减小
3.2.2 遗传操作的实现
3.3 算法流程
3.4 算法仿真实验与性能分析
3.5 本章小结
第4章 GAPSO优化算法的PID参数整定
4.1 引言
4.2 PID控制器整定原理
4.2.1 PID控制原理
4.2.2 PID控制参数整定概述
4.3 改进的算法(GAPSO)对PID参数整定
4.3.1 评价函数
4.3.2 算法实现
4.4 仿真实验与分析
4.5 本章小结
第5章 改进的GAPSO算法训练神经网络
5.1 神经网络概述
5.1.1 神经网络理论知识
5.1.2 神经网络结构
5.1.3 神经网络的学习
5.2 粒子群算法优化神经网络的研究现状
5.3 基于惯性权重非线性递减的GAPSO-BC训练算法
5.3.1 蜂群优化算法的概述
5.3.2 PSO算法在神经网络训练中的应用
5.3.3 基于GAPSO-BC算法的神经网络训练
5.4 算法性能仿真实验
5.4.1 性能验证
5.4.2 GAPSO-BC算法训练神经网络逼近非线性函数
5.5 本章小结
结论
参考文献
攻读硕士学位期间所发表的学术论文
致谢