摘要 | 第4-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第9-16页 |
1.1 课题研究的目的与意义 | 第9-10页 |
1.2 群体智能 | 第10-12页 |
1.2.1 群体智能的概念 | 第10-11页 |
1.2.2 群体智能的的特点 | 第11-12页 |
1.2.3 群体智能算法的算法流程 | 第12页 |
1.3 人工鱼群算法研究背景 | 第12-13页 |
1.4 人工鱼群算法研究现状 | 第13-14页 |
1.5 论文的研究内容 | 第14-16页 |
第二章 人工鱼群算法 | 第16-25页 |
2.1 引言 | 第16页 |
2.2 鱼类的感觉 | 第16页 |
2.3 人工鱼群算法原理 | 第16-21页 |
2.3.1 人工鱼模型 | 第17-18页 |
2.3.2 定义 | 第18页 |
2.3.3 行为描述 | 第18-20页 |
2.3.4 算法描述 | 第20-21页 |
2.4 算法全局收敛基础 | 第21-22页 |
2.5 算法参数对收敛性的影响分析 | 第22-23页 |
2.5.1 视野范围Visual | 第22页 |
2.5.2 步长Step | 第22页 |
2.5.3 拥挤度因子 | 第22-23页 |
2.5.4 人工鱼的规模 | 第23页 |
2.5.5 人工鱼的探索次数 | 第23页 |
2.6 人工鱼群算法与其他智能算法的异同 | 第23-24页 |
2.7 小结 | 第24-25页 |
第三章 粒子群优化人工鱼群算法 | 第25-34页 |
3.1 引言 | 第25页 |
3.2 粒子群优化人工鱼群算法 | 第25-28页 |
3.2.1 算法的改进 | 第25-26页 |
3.2.2 觅食行为 | 第26页 |
3.2.3 聚群行为 | 第26页 |
3.2.4 追尾行为 | 第26-28页 |
3.3 公告板 | 第28页 |
3.4 算法流程 | 第28页 |
3.5 算法仿真 | 第28-33页 |
3.5.1 基准测试函数 | 第28-30页 |
3.5.2 三种算法仿真比较 | 第30-32页 |
3.5.3 惯性权重对算法的影响 | 第32-33页 |
3.6 结论 | 第33-34页 |
第四章 交叉变异人工鱼群算法TSP问题求解 | 第34-43页 |
4.1 引言 | 第34页 |
4.2 旅行商问题描述 | 第34页 |
4.3 旅行商问题数学模型 | 第34-35页 |
4.4 遗传算法 | 第35-36页 |
4.5 交叉变异人工鱼群算法描述 | 第36-39页 |
4.5.1 编码 | 第36页 |
4.5.2 人工鱼的邻域和中心 | 第36-37页 |
4.5.3 觅食行为 | 第37页 |
4.5.4 聚群行为 | 第37-38页 |
4.5.5 追尾行为 | 第38页 |
4.5.6 交叉操作 | 第38-39页 |
4.5.7 变异操作 | 第39页 |
4.6 程序设计与实验仿真 | 第39-42页 |
4.6.1 实验测试环境 | 第39页 |
4.6.2 程序设计 | 第39页 |
4.6.3 实验仿真 | 第39-42页 |
4.7 仿真分析 | 第42页 |
4.8 结论 | 第42-43页 |
第五章 粒子群优化人工鱼群算法对SVM参数优化及其应用 | 第43-57页 |
5.1 支持向量机基础 | 第43页 |
5.2 支持向量机的发展 | 第43-44页 |
5.3 支持向量机分类 | 第44-48页 |
5.3.1 线性可分支持向量机 | 第44-46页 |
5.3.2 线性不可分的SVM | 第46-48页 |
5.4 支持向量机模型参数选择 | 第48-50页 |
5.4.1 支持向量机核函数 | 第48页 |
5.4.2 支持向量机与参数的关系 | 第48-50页 |
5.5 算法对SFM参数优化及其对乳腺肿瘤细胞的识别应用 | 第50-56页 |
5.5.1 粒子群算法对SVM参数优化 | 第51-52页 |
5.5.2 人工鱼群算法对SVM参数优化 | 第52-54页 |
5.5.3 粒子群优化人工鱼群算法对SVM参数优化 | 第54-55页 |
5.5.4 三种算法优化SVM仿真分析 | 第55-56页 |
5.6 本章小结 | 第56-57页 |
第六章 总结与展望 | 第57-59页 |
6.1 总结 | 第57页 |
6.2 展望 | 第57-59页 |
参考文献 | 第59-62页 |
附录 | 第62-69页 |
致谢 | 第69-70页 |
攻读学位期间的研究成果 | 第70-71页 |