摘要 | 第3-5页 |
Abstract | 第5-6页 |
第1章 绪论 | 第10-16页 |
1.1 选题背景和研究意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-13页 |
1.2.1 群智能优化算法国内外研究现状 | 第11-12页 |
1.2.2 聚类分析国内外研究现状 | 第12-13页 |
1.3 主要研究内容 | 第13-14页 |
1.4 论文结构安排 | 第14-16页 |
第2章 群智能优化算法 | 第16-30页 |
2.1 群智能优化算法概述 | 第16-18页 |
2.2 蚁群算法 | 第18-21页 |
2.2.1 蚁群算法仿生原理 | 第18-20页 |
2.2.2 基本蚁群算法描述 | 第20-21页 |
2.3 粒子群优化算法 | 第21-24页 |
2.3.1 粒子群优化算法仿生原理 | 第21-22页 |
2.3.2 粒子群优化算法描述 | 第22-24页 |
2.4 萤火虫算法 | 第24-26页 |
2.4.1 萤火虫算法仿生原理 | 第24-25页 |
2.4.2 萤火虫算法描述 | 第25-26页 |
2.5 布谷鸟搜索算法 | 第26-29页 |
2.5.1 布谷鸟搜索算法仿生原理 | 第26-28页 |
2.5.2 布谷鸟搜索算法描述 | 第28-29页 |
2.6 本章小结 | 第29-30页 |
第3章 聚类分析算法 | 第30-40页 |
3.1 聚类分析概述 | 第30页 |
3.2 聚类分析算法的要求 | 第30-32页 |
3.3 聚类分析问题数学模型 | 第32页 |
3.4 相似性度量方法 | 第32-35页 |
3.4.1 距离公式 | 第33-34页 |
3.4.2 相似系数 | 第34-35页 |
3.5 基本的聚类分析算法 | 第35-39页 |
3.5.1 基于划分的方法 | 第35-36页 |
3.5.2 基于层次的方法 | 第36-37页 |
3.5.3 基于密度的方法 | 第37-38页 |
3.5.4 基于网格的方法 | 第38页 |
3.5.5 基于模型的方法 | 第38-39页 |
3.6 本章小结 | 第39-40页 |
第4章 基于蚁群聚类算法的物流配送中心选址 | 第40-46页 |
4.1 引言 | 第40页 |
4.2 物流配送中心选址模型 | 第40-41页 |
4.3 K均值聚类算法解决物流配送中心选址问题步骤 | 第41页 |
4.4 蚁群聚类算法 | 第41-42页 |
4.5 仿真实验及分析 | 第42-45页 |
4.5.1 参数设置 | 第43页 |
4.5.2 实验结果与分析 | 第43-45页 |
4.6 本章小结 | 第45-46页 |
第5章 基于最优类中心扰动的萤火虫聚类算法 | 第46-54页 |
5.1 引言 | 第46页 |
5.2 聚类准则函数 | 第46-47页 |
5.3 IFA聚类算法 | 第47-49页 |
5.3.1 算法主要思路 | 第47页 |
5.3.2 算法改进之处 | 第47-48页 |
5.3.3 算法步骤 | 第48-49页 |
5.4 仿真实验及评价 | 第49-53页 |
5.4.1 参数设置 | 第49-50页 |
5.4.2 收敛性分析 | 第50-52页 |
5.4.3 聚类结果分析 | 第52-53页 |
5.5 本章小结 | 第53-54页 |
第6章 融合粒子群算法的布谷鸟优化聚类算法 | 第54-62页 |
6.1 引言 | 第54页 |
6.2 PSOCS聚类算法 | 第54-57页 |
6.2.1 算法思想 | 第54-55页 |
6.2.2 聚类准则函数 | 第55页 |
6.2.3 编码方式 | 第55-56页 |
6.2.4 算法步骤 | 第56-57页 |
6.3 仿真实验及评价 | 第57-61页 |
6.3.1 实验数据及实验环境 | 第57-58页 |
6.3.2 实验参数 | 第58页 |
6.3.3 算法收敛性分析 | 第58-59页 |
6.3.4 聚类结果分析 | 第59-61页 |
6.4 本章小结 | 第61-62页 |
第7章 总结和展望 | 第62-64页 |
7.1 论文工作总结 | 第62-63页 |
7.2 对未来工作的展望 | 第63-64页 |
参考文献 | 第64-70页 |
致谢 | 第70-72页 |
攻读硕士学位期间的研究成果 | 第72页 |
发表论文情况 | 第72页 |
参与科研项目 | 第72页 |
所获奖励 | 第72页 |