| 摘要 | 第5-8页 |
| ABSTRACT | 第8-10页 |
| 第一章 绪论 | 第21-29页 |
| 1.1 研究背景 | 第21-23页 |
| 1.2 国内外研究现状 | 第23-27页 |
| 1.2.1 模因计算 | 第23-24页 |
| 1.2.2 智能算法 | 第24-27页 |
| 1.3 研究目的 | 第27页 |
| 1.4 研究意义 | 第27-28页 |
| 1.5 研究内容及论文结构 | 第28-29页 |
| 第二章 群智能优化算法综述 | 第29-42页 |
| 2.1 群智能优化技术研究 | 第29-30页 |
| 2.2 最优化问题的定义 | 第30-31页 |
| 2.3 模因计算 | 第31-33页 |
| 2.4 量子粒子群算法 | 第33-36页 |
| 2.5 混合蛙跳算法 | 第36-38页 |
| 2.6 教与学优化算法 | 第38-40页 |
| 2.7 本章小结 | 第40-42页 |
| 第三章 基于模因论的量子粒子群算法 | 第42-79页 |
| 3.1 粒子群算法 | 第42页 |
| 3.2 量子粒子群算法 | 第42-47页 |
| 3.2.1 量子粒子群算法原理 | 第42-44页 |
| 3.2.2 加强的量子粒子群算法 | 第44-47页 |
| 3.3 具有模因特征及记忆的量子粒子群算法 | 第47-77页 |
| 3.3.1. 概述 | 第47-49页 |
| 3.3.2 相关工作的讨论 | 第49页 |
| 3.3.3 具有模因特征及记忆的量子粒子群算法 | 第49-77页 |
| 3.4 本章小结 | 第77-79页 |
| 第四章 基于空间缩放的混合蛙跳算法 | 第79-89页 |
| 4.1 简介 | 第79页 |
| 4.2 混合蛙跳算法 | 第79-80页 |
| 4.3 改进的混合蛙跳算法 | 第80-85页 |
| 4.3.1. 空间缩放因子 | 第83页 |
| 4.3.2. 重心吸引因子 | 第83页 |
| 4.3.3.. zg SFLA算法 | 第83-85页 |
| 4.4 实验分析 | 第85-87页 |
| 4.5. 本章小结 | 第87-89页 |
| 第五章 基于模因论的教与学优化算法 | 第89-97页 |
| 5.1 基于教与学的最优化算法 | 第89-91页 |
| 5.2 具有模因特征的TLBO算法 | 第91-92页 |
| 5.3 实验结果与分析 | 第92-96页 |
| 5.4.本章小结 | 第96-97页 |
| 第六章 入侵肿瘤生长优化算法 | 第97-151页 |
| 6.1 肿瘤生长研究 | 第97-108页 |
| 6.1.1 肿瘤生长机制 | 第97-102页 |
| 6.1.2 肿瘤生长的数学模型 | 第102-108页 |
| 6.2. 入侵肿瘤生长优化模型 | 第108-110页 |
| 6.3. 入侵肿瘤生长最优化算法的设计 | 第110-123页 |
| 6.3.1 入侵肿瘤生长最优化模型 | 第110-115页 |
| 6.3.2 入侵肿瘤生长算法 | 第115-120页 |
| 6.3.3 算法分析 | 第120-123页 |
| 6.4 实验结果和分析 | 第123-149页 |
| 6.4.1 实验配置 | 第123-127页 |
| 6.4.2 ITGO算法参数调整 | 第127-131页 |
| 6.4.3 基本全局最优化实验 | 第131-138页 |
| 6.4.4 其他改进算法的比较 | 第138-141页 |
| 6.4.5 大规模全局优化实验比较经典算法 | 第141-148页 |
| 6.4.6 大规模优化问题实验比较改进的PSO | 第148-149页 |
| 6.5 本章小结 | 第149-151页 |
| 第七章 入侵肿瘤生长算法的应用 | 第151-164页 |
| 7.1 入侵肿瘤生长算法在聚类问题中的应用 | 第151-159页 |
| 7.1.1 聚类问题 | 第151-152页 |
| 7.1.2 ITGO聚类问题 | 第152-159页 |
| 7.2 入侵肿瘤生长算法解决支持向量机参数优化问题 | 第159-163页 |
| 7.2.1 支持向量机 | 第159-160页 |
| 7.2.2 模型参数优化 | 第160-161页 |
| 7.2.3 实验结果和分析 | 第161-163页 |
| 7.3 本章小结 | 第163-164页 |
| 结论 | 第164-166页 |
| 参考文献 | 第166-186页 |
| 攻读博士学位期间取得的研究成果 | 第186-187页 |
| 致谢 | 第187-188页 |
| 附件 | 第188页 |