基于合作协同演化的微粒群计算及其应用

1 (p1): 第1章 绪论
1 (p1-1): 1.1 研究背景与意义
2 (p1-2): 1.2 国内外研究进展
2 (p1-2-1): 1.2.1 合作协同演化算法研究进展
4 (p1-2-2): 1.2.2 微粒群优化算法研究进展
8 (p1-2-3): 1.2.3 微粒群优化计算典型应用
10 (p1-3): 1.3 研究目的
10 (p1-4): 1.4 研究内容
11 (p1-5): 1.5 创新点
13 (p2): 第2章 相关理论
13 (p2-1): 2.1 引言
13 (p2-2): 2.2 最优化理论
14 (p2-2-1): 2.2.1 单目标优化问题
16 (p2-2-2): 2.2.2 多目标优化问题
18 (p2-3): 2.3 合作协同演化理论
19 (p2-4): 2.4 智能计算方法
19 (p2-4-1): 2.4.1 微粒群优化算法
22 (p2-4-2): 2.4.2 蜂群优化算法
25 (p2-5): 2.5 小结
26 (p3): 第3章 基于自适应学习的并行协同微粒群算法及理论研究
26 (p3-1): 3.1 引言
26 (p3-2): 3.2 基于自适应学习的并行PSO算法
27 (p3-2-1): 3.2.1 并行协同演化策略
28 (p3-2-2): 3.2.2 自适应学习机制
28 (p3-2-3): 3.2.3 HLPSO算法步骤
29 (p3-2-4): 3.2.4 HLPSO算法实现
30 (p3-3): 3.3 自适应学习的并行PSO算法理论基础
30 (p3-3-1): 3.3.1 HLPSO算法收敛性分析
32 (p3-3-2): 3.3.2 HLPSO算法复杂度分析
33 (p3-4): 3.4 HLPSO在函数优化中的应用
33 (p3-4-1): 3.4.1 测试函数
35 (p3-4-2): 3.4.2 均值方差对比
36 (p3-4-3): 3.4.3 双侧T-检验
36 (p3-5): 3.5 小结
37 (p4): 第4章 基于多阶段协同微粒群智能优化算法
37 (p4-1): 4.1 引言
37 (p4-2): 4.2 多阶段协同微粒群智能优化算法
37 (p4-2-1): 4.2.1 DMPSOABC算法思想
38 (p4-2-2): 4.2.2 DMPSOABC算法模型
40 (p4-2-3): 4.2.3 DMPSOABC算法描述
41 (p4-2-4): 4.2.4 DMPSOABC算法实现
42 (p4-3): 4.3 DMPSOABC算法时间复杂度分析
42 (p4-4): 4.4 DMPSOABC算法在函数优化中的应用
42 (p4-4-1): 4.4.1 测试函数
44 (p4-4-2): 4.4.2 实验目的
44 (p4-4-3): 4.4.3 实验环境
45 (p4-4-4): 4.4.4 参数设置
46 (p4-4-5): 4.4.5 实验结果
51 (p4-5): 4.5 基于多阶段协同的柔性作业车间智能调度
51 (p4-5-1): 4.5.1 柔性作业车间调度问题数学模型
52 (p4-5-2): 4.5.2 柔性作业车间调度算法描述
56 (p4-5-3): 4.5.3 实例验证
61 (p4-6): 4.6 小结
62 (p5): 第5章 基于空间自适应划分的动态种群多目标优化算法
62 (p5-1): 5.1 引言
62 (p5-2): 5.2 基于空间自适应划分的动态多目标优化算法
62 (p5-2-1): 5.2.1 ECMPSO算法思想
66 (p5-2-2): 5.2.2 ECMPSO算法模型
67 (p5-2-3): 5.2.3 ECMPSO算法描述
68 (p5-3): 5.3 ECMPSO算法时间复杂度分析
68 (p5-4): 5.4 实验测试
68 (p5-4-1): 5.4.1 测试函数及参数设置
70 (p5-4-2): 5.4.2 参数敏感性分析
74 (p5-4-3): 5.4.3 测试结果
80 (p5-5): 5.5 ECMPSO在解决环境经济调度问题中的应用
80 (p5-5-1): 5.5.1 环境经济调度的数学模型
81 (p5-5-2): 5.5.2 环境经济调度算法描述
82 (p5-5-3): 5.5.3 仿真实验与分析
84 (p5-6): 5.6 小结
86 (p6): 第6章 基于集合编码的车辆路径多目标优化模型及算法
86 (p6-1): 6.1 引言
86 (p6-2): 6.2 带时间窗车辆路径多目标优化模型
88 (p6-3): 6.3 基于集合编码的带时间窗车辆路径多目标优化算法
88 (p6-3-1): 6.3.1 算法思想
88…