| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第14-17页 |
| 缩略语对照表 | 第17-23页 |
| 第一章 绪论 | 第23-41页 |
| 1.1 研究背景及意义 | 第23-24页 |
| 1.2 复杂网络相关研究内容 | 第24-32页 |
| 1.2.1 复杂网络研究发展历程以及主要内容 | 第25-27页 |
| 1.2.2 网络结构的基本统计属性与拓扑模型 | 第27-32页 |
| 1.3 智能计算解析 | 第32-33页 |
| 1.4 自然科学计算 | 第33-35页 |
| 1.4.1 人工免疫系统发展概述 | 第34页 |
| 1.4.2 人工免疫系统研究现状 | 第34-35页 |
| 1.5 社会科学计算 | 第35-37页 |
| 1.5.1 社会科学计算发展背景 | 第36-37页 |
| 1.5.2 社会科学计算研究现状 | 第37页 |
| 1.6 工程优化方法以及应用 | 第37-39页 |
| 1.6.1 最优化问题 | 第38页 |
| 1.6.2 优化算法 | 第38-39页 |
| 1.7 本论文内容安排 | 第39-41页 |
| 第二章 小世界网络上的信息传递动力学与免疫计算模型 | 第41-51页 |
| 2.1 引言 | 第41页 |
| 2.2 小世界网络上的信息传递动力学 | 第41-46页 |
| 2.2.1 NW小世界网络的线性信息传递方程分析 | 第42-43页 |
| 2.2.2 NW小世界网络的广义信息传递方程与动力学分析 | 第43-46页 |
| 2.3 基于小世界网络和免疫算法的优化模型构建 | 第46-48页 |
| 2.3.1 网络特征算子免疫优化模型（IOM-NF） | 第46-48页 |
| 2.3.2 网络拓扑结构免疫优化模型（IOM-NS） | 第48页 |
| 2.4 本章小结 | 第48-51页 |
| 第三章 基于社会网络搜索模型的免疫优化算法 | 第51-71页 |
| 3.1 引言 | 第51页 |
| 3.2 社会网络搜索模型 | 第51-53页 |
| 3.3 免疫克隆选择学说 | 第53-54页 |
| 3.4 基于社会网络搜索模型的免疫优化算法（SNSIA） | 第54-61页 |
| 3.4.1 SNSIA算子设计 | 第54-57页 |
| 3.4.2 SNSIA算法基本流程 | 第57-58页 |
| 3.4.3 SNSIA算法性能分析 | 第58-61页 |
| 3.5 实验结果与分析 | 第61-69页 |
| 3.5.1 测试函数简介 | 第61-62页 |
| 3.5.2 算法有效性测试 | 第62-64页 |
| 3.5.3 算法性能比较 | 第64-69页 |
| 3.6 本章小结 | 第69-71页 |
| 第四章 基于NW小世界模型的动态网络结构免疫PSO算法 | 第71-91页 |
| 4.1 引言 | 第71页 |
| 4.2 约束优化问题数学模型 | 第71-72页 |
| 4.3 PSO算法及其空间结构研究 | 第72-76页 |
| 4.3.1 PSO算法 | 第72-74页 |
| 4.3.2 PSO算法种群空间结构分析 | 第74-76页 |
| 4.4 NW小世界网络模型 | 第76-77页 |
| 4.5 基于NW小世界模型的动态网络结构免疫PSO算法（DNIPSO） | 第77-82页 |
| 4.5.1 免疫学习算子设计 | 第77-79页 |
| 4.5.2 种群拓扑网络结构的动态演化机制 | 第79-80页 |
| 4.5.3 DNIPSO算法流程 | 第80-81页 |
| 4.5.4 DNIPSO算法收敛性能分析 | 第81-82页 |
| 4.6 实验结果与分析 | 第82-89页 |
| 4.6.1 测试问题描述 | 第82-83页 |
| 4.6.2 测试结果分析 | 第83-87页 |
| 4.6.3 动态种群拓扑结构参数敏感性分析 | 第87-89页 |
| 4.7 本章小结 | 第89-91页 |
| 第五章 量子免疫协同小世界优化算法 | 第91-107页 |
| 5.1 引言 | 第91-92页 |
| 5.2 合取范式问题描述 | 第92-93页 |
| 5.3 量子计算基础分析 | 第93-95页 |
| 5.3.1 量子计算方法 | 第93-94页 |
| 5.3.2 量子并行计算 | 第94-95页 |
| 5.4 求解SAT问题的量子免疫协同小世界优化算法 | 第95-102页 |
| 5.4.1 量子编码表示 | 第96-97页 |
| 5.4.2 QICAS算子设计 | 第97-102页 |
| 5.4.3 QICAS算法流程 | 第102页 |
| 5.5 QICAS算法收敛性分析 | 第102-105页 |
| 5.6 实验结果与分析 | 第105-106页 |
| 5.7 本章小结 | 第106-107页 |
| 第六章 和谐进化免疫信息网络优化算法 | 第107-127页 |
| 6.1 引言 | 第107-108页 |
| 6.2 和谐管理理论 | 第108-109页 |
| 6.3 基于和谐管理理论的免疫进化信息网络优化算法 | 第109-115页 |
| 6.3.1 网络建模基本定义 | 第109-111页 |
| 6.3.2 HEIN规则集 | 第111-115页 |
| 6.3.3 HEIN算法流程 | 第115页 |
| 6.4 HEIN算法分析 | 第115-119页 |
| 6.4.1 算法收敛性分析 | 第115-117页 |
| 6.4.2 种群多样性分析 | 第117-119页 |
| 6.5 线性系统逼近问题测试与结果分析 | 第119-126页 |
| 6.5.1 问题阐述 | 第119-120页 |
| 6.5.2 用于线性系统逼近问题的和谐进化免疫信息网络优化算法 | 第120页 |
| 6.5.3 稳定线性系统逼近问题实验 | 第120-124页 |
| 6.5.4 非稳定线性系统逼近问题实验 | 第124-126页 |
| 6.6 本章小结 | 第126-127页 |
| 第七章 基于免疫Memetic算法和强弱关联属性的社会网络聚类 | 第127-143页 |
| 7.1 引言 | 第127页 |
| 7.2 复杂网络聚类方法概述 | 第127-132页 |
| 7.2.1 社团结构定义 | 第127-130页 |
| 7.2.2 复杂网络聚类方法研究进展与分析 | 第130-131页 |
| 7.2.3 社会网络聚类研究 | 第131-132页 |
| 7.3 社会科学计算中的强弱关联属性理论 | 第132-133页 |
| 7.4 Memetic算法研究进展 | 第133-134页 |
| 7.5 免疫Memetic关联学习算法（IMRLA） | 第134-137页 |
| 7.5.1 IMRLA编码方式 | 第134页 |
| 7.5.2 IMRLA亲和度函数设计 | 第134页 |
| 7.5.3 IMRLA算子设计 | 第134-135页 |
| 7.5.4 Memetic局部关联学习策略 | 第135-136页 |
| 7.5.5 IMRLA算法流程 | 第136-137页 |
| 7.6 实验结果与分析 | 第137-141页 |
| 7.6.1 宽吻海豚实验结果与分析 | 第138页 |
| 7.6.2 Zachary空手道俱乐部网络实验结果与分析 | 第138-139页 |
| 7.6.3 美国大学足球联赛网络实验结果与分析 | 第139-141页 |
| 7.7 本章小结 | 第141-143页 |
| 第八章 基于免疫协同小世界优化算法的图像分割 | 第143-155页 |
| 8.1 引言 | 第143页 |
| 8.2 图像分割技术研究进展与分析 | 第143-146页 |
| 8.2.1 图像分割问题 | 第143-144页 |
| 8.2.2 图像分割技术分析 | 第144-146页 |
| 8.3 基于免疫协同小世界优化算法的图像分割（ICSO-IS） | 第146-151页 |
| 8.3.1 最大信息熵方法 | 第146-148页 |
| 8.3.2 ICSO-IS算法设计 | 第148-151页 |
| 8.4 实验仿真 | 第151-154页 |
| 8.4.1 自然图像分割结果 | 第151-153页 |
| 8.4.2 SAR图像分割结果 | 第153-154页 |
| 8.5 本章小结 | 第154-155页 |
| 第九章 结论和展望 | 第155-159页 |
| 9.1 论文研究工作总结 | 第155-157页 |
| 9.2 展望 | 第157-159页 |
| 附录A | 第159-167页 |
| 附录B | 第167-171页 |
| 参考文献 | 第171-187页 |
| 致谢 | 第187-189页 |
| 作者简介 | 第189-191页 |
