摘要 | 第4-5页 |
ABSTRACT | 第5-6页 |
第1章 绪论 | 第10-15页 |
1.1 研究背景和意义 | 第10-11页 |
1.2 国内外发展现状 | 第11-12页 |
1.3 主要研究工作 | 第12-13页 |
1.4 论文组织结构 | 第13-14页 |
1.5 本章小结 | 第14-15页 |
第2章 算法相关知识 | 第15-25页 |
2.1 群体智能优化算法概述 | 第15-19页 |
2.1.1 群体智能优化算法分类 | 第15-16页 |
2.1.2 果蝇优化算法 | 第16-17页 |
2.1.3 布谷鸟搜索算法 | 第17-19页 |
2.2 聚类分析概述 | 第19-24页 |
2.2.1 聚类算法分类 | 第19-21页 |
2.2.2 近邻传播聚类 | 第21-22页 |
2.2.3 聚类有效性评价指标 | 第22-24页 |
2.3 本章小结 | 第24-25页 |
第3章 基于知识记忆的果蝇优化算法 | 第25-37页 |
3.1 基于知识记忆的果蝇算法 | 第25-27页 |
3.1.1 理论模型 | 第25页 |
3.1.2 基于知识记忆的飞行优化策略 | 第25-27页 |
3.1.3 算法流程 | 第27页 |
3.2 仿真模拟实验 | 第27-35页 |
3.2.1 算法寻优精度分析 | 第29-31页 |
3.2.2 算法收敛速度分析 | 第31-33页 |
3.2.3 算法时间复杂度分析 | 第33-34页 |
3.2.4 与其它改进果蝇算法和其它群体智能算法的比较分析 | 第34-35页 |
3.3 本章小节 | 第35-37页 |
第4章 基于边界识别的布谷鸟搜索算法 | 第37-47页 |
4.1 基于边界识别的布谷鸟搜索算法 | 第37-38页 |
4.1.1 理论模型 | 第37页 |
4.1.2 基于边界识别的改进策略 | 第37-38页 |
4.1.3 算法流程 | 第38页 |
4.2 仿真模拟实验 | 第38-43页 |
4.2.1 实验环境与参数设置 | 第40-41页 |
4.2.2 寻优精度分析 | 第41-42页 |
4.2.3 收敛速度分析 | 第42-43页 |
4.3 基于边界识别的布谷鸟搜索算法的应用 | 第43-45页 |
4.3.1 PID参数控制问题 | 第43-44页 |
4.3.2 实验分析 | 第44-45页 |
4.4 本章小节 | 第45-47页 |
第5章 基于趋势搜索的果蝇协同进化近邻传播聚类模型 | 第47-71页 |
5.1 基于趋势搜索的果蝇协同进化算法 | 第47-56页 |
5.1.1 理论模型 | 第47页 |
5.1.2 趋势搜索机制 | 第47-49页 |
5.1.3 种群间协同进化机制 | 第49-50页 |
5.1.4 算法流程 | 第50-51页 |
5.1.5 CEFOA算法的复杂性分析 | 第51页 |
5.1.6 CEFOA算法收敛性证明 | 第51-56页 |
5.2 仿真模拟实验 | 第56-66页 |
5.2.1 算法精度分析 | 第57-58页 |
5.2.2 收敛速度分析 | 第58-61页 |
5.2.3 与其它元启发式算法进行比较 | 第61-65页 |
5.2.4 种群规模与高维度对CEFOA的影响 | 第65-66页 |
5.3 基于趋势搜索的果蝇协同进化近邻传播聚类模型 | 第66-68页 |
5.3.1 理论模型 | 第66-67页 |
5.3.2 改进聚类模型描述 | 第67页 |
5.3.3 算法流程 | 第67-68页 |
5.4 仿真模拟实验 | 第68-70页 |
5.5 本章小节 | 第70-71页 |
第6章 基于密度邻域优化的半监督近邻传播聚类 | 第71-82页 |
6.1 基于密度邻域优化的半监督近邻传播聚类 | 第71-76页 |
6.1.1 理论模型 | 第71页 |
6.1.2 密度邻域果蝇优化策略 | 第71-74页 |
6.1.3 半监督近邻传播聚类 | 第74-75页 |
6.1.4 IFO-SAP聚类模型 | 第75页 |
6.1.5 算法流程 | 第75-76页 |
6.2 仿真模拟实验 | 第76-78页 |
6.2.1 聚类评价指标 | 第76-77页 |
6.2.2 实验分析 | 第77-78页 |
6.3 地震分级数据聚类分析 | 第78-81页 |
6.3.1 数据介绍 | 第78-79页 |
6.3.2 仿真模拟实验 | 第79-81页 |
6.4 本章小节 | 第81-82页 |
第7章 总结与展望 | 第82-84页 |
致谢 | 第84-85页 |
参考文献 | 第85-90页 |
作者简介 | 第90-91页 |
攻读硕士学位期间研究成果 | 第91页 |