稀疏自然计算的学习算法及应用研究
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·研究背景及意义 | 第8-9页 |
| ·自然计算 | 第9-11页 |
| ·遗传算法 | 第10-11页 |
| ·人工免疫系统 | 第11页 |
| ·其他模拟计算 | 第11页 |
| ·自然计算的统一性理念 | 第11-12页 |
| ·论文的主要内容及安排 | 第12-14页 |
| 第二章 超启发式搜索算法 | 第14-22页 |
| ·引言 | 第14页 |
| ·传统的启发式搜索算法 | 第14-16页 |
| ·简单启发式算法 | 第15页 |
| ·元启发式算法 | 第15-16页 |
| ·超启发式搜索算法 | 第16-20页 |
| ·基于随机选择的超启发式算法 | 第17-18页 |
| ·基于贪心策略的超启发算法 | 第18页 |
| ·基于元启发式算法的超启发算法 | 第18页 |
| ·基于学习的超启发算法 | 第18-19页 |
| ·超启发式算法与传统启发式算法的比较 | 第19-20页 |
| ·稀疏思想下的超启发式搜索 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 稀疏免疫克隆算法在函数优化上的应用 | 第22-36页 |
| ·引言 | 第22页 |
| ·函数优化的问题描述 | 第22-23页 |
| ·数据的稀疏表示 | 第23-26页 |
| ·KSVD算法 | 第24-26页 |
| ·NMF算法 | 第26页 |
| ·稀疏的免疫克隆选择 | 第26-29页 |
| ·稀疏初始化 | 第27页 |
| ·免疫进化算子 | 第27-28页 |
| ·适应度函数 | 第28页 |
| ·算法流程 | 第28-29页 |
| ·实验结果及分析 | 第29-34页 |
| ·本章小结 | 第34-36页 |
| 第四章 稀疏进化聚类算法 | 第36-60页 |
| ·引言 | 第36页 |
| ·聚类分析的问题描述 | 第36-38页 |
| ·聚类问题的数学模型 | 第37-38页 |
| ·聚类分析的研究意义 | 第38页 |
| ·稀疏克隆选择算法在数据集上的聚类分析 | 第38-43页 |
| ·编码策略 | 第39页 |
| ·数据的稀疏表示 | 第39-40页 |
| ·亲和度函数 | 第40页 |
| ·克隆算子选择 | 第40-42页 |
| ·算法步骤 | 第42-43页 |
| ·在数据集上的实验结果 | 第43-50页 |
| ·稀疏遗传算法在图像分割上的应用 | 第50-53页 |
| ·亲和度的评估 | 第51页 |
| ·交叉与变异 | 第51-52页 |
| ·锦标赛选择法 | 第52页 |
| ·算法步骤 | 第52-53页 |
| ·在图像上的实验结果 | 第53-58页 |
| ·本章总结 | 第58-60页 |
| 第五章 总结与展望 | 第60-62页 |
| ·总结 | 第60页 |
| ·展望 | 第60-62页 |
| 致谢 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 硕士期间成果 | 第68-69页 |
