| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 1.绪论 | 第15-21页 |
| 1.1 研究背景 | 第15-16页 |
| 1.2 研究现状 | 第16-18页 |
| 1.3 本文工作 | 第18-19页 |
| 1.4 内容安排 | 第19-21页 |
| 2.烟花算法研究 | 第21-33页 |
| 2.1 经典智能优化算法 | 第21-23页 |
| 2.1.1 遗传算法 | 第21-22页 |
| 2.1.2 粒子群算法 | 第22-23页 |
| 2.2 烟花算法 | 第23-29页 |
| 2.2.1 烟花算法的基本原理 | 第23页 |
| 2.2.2 烟花算法的基本概念 | 第23-24页 |
| 2.2.3 烟花算法的组成 | 第24-25页 |
| 2.2.4 烟花算法实现 | 第25-27页 |
| 2.2.5 烟花算法流程 | 第27-29页 |
| 2.2.6 烟花算法特性分析 | 第29页 |
| 2.3 增强烟花算法 | 第29-32页 |
| 2.3.1 最小半径检测策略 | 第30页 |
| 2.3.2 新型爆炸火花产生方式 | 第30-31页 |
| 2.3.3 新型高斯变异算子 | 第31页 |
| 2.3.4 新型映射规则 | 第31页 |
| 2.3.5 精英选择策略 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 3.基于最优火花的动态映射烟花算法 | 第33-49页 |
| 3.1 新型映射规则 | 第33-35页 |
| 3.2 最小爆炸半径检测机制优化 | 第35页 |
| 3.3 新型选择策略 | 第35-36页 |
| 3.4 算法流程设计与实现 | 第36-39页 |
| 3.4.1 算法流程设计 | 第36-38页 |
| 3.4.2 算法实现 | 第38-39页 |
| 3.5 算法仿真与分析 | 第39-48页 |
| 3.5.1 基准测试函数 | 第39-42页 |
| 3.5.2 仿真环境及参数设置 | 第42-43页 |
| 3.5.3 仿真结果与分析 | 第43-48页 |
| 3.6 本章小结 | 第48-49页 |
| 4.DMFWA聚类算法分析与应用 | 第49-63页 |
| 4.1 聚类流程与方法介绍 | 第49-53页 |
| 4.1.1 聚类流程 | 第49-50页 |
| 4.1.2 常用聚类方法 | 第50-51页 |
| 4.1.3 k-means算法 | 第51-52页 |
| 4.1.4 k-means++算法 | 第52页 |
| 4.1.5 AgglomerativeClustering算法 | 第52-53页 |
| 4.1.6 AP算法 | 第53页 |
| 4.2 DMFWA聚类分析算法 | 第53-55页 |
| 4.2.1 聚类问题转化为优化问题 | 第53-54页 |
| 4.2.2 DMFWA聚类算法设计与实现 | 第54-55页 |
| 4.3 聚类实验与结果分析 | 第55-61页 |
| 4.3.1 实验数据集 | 第55-57页 |
| 4.3.2 数据标准化 | 第57-59页 |
| 4.3.3 聚类结果评估方式 | 第59页 |
| 4.3.4 算法参数设置 | 第59-60页 |
| 4.3.5 实验结果与分析 | 第60-61页 |
| 4.4 本章小结 | 第61-63页 |
| 5.结束语 | 第63-65页 |
| 5.1 研究总结 | 第63-64页 |
| 5.2 研究展望 | 第64-65页 |
| 附录 | 第65-75页 |
| 附录A 测试函数图像 | 第65-71页 |
| 附录B 样本相似度计算方法 | 第71-73页 |
| 附录C 训练样本原始数据 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-81页 |
| 作者简介 | 第81-82页 |