首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文

基于组织型膜系统的改进遗传算法研究与应用

摘要第6-8页
Abstract第8-9页
第1章 绪论第10-26页
    1.1 研究背景及意义第10-11页
    1.2 国内外研究现状第11-15页
        1.2.1 膜计算研究现状第11-13页
        1.2.2 遗传算法研究现状第13页
        1.2.3 膜计算与遗传算法结合研究现状第13-14页
        1.2.4 聚类问题研究现状第14-15页
    1.3 理论概述第15-23页
        1.3.1 组织型P系统第15-17页
        1.3.2 遗传算法第17-23页
    1.4 论文内容及创新点第23-24页
    1.5 论文结构安排第24-26页
第2章 基于组织型P系统的浓度调节遗传算法(TPCGA)第26-38页
    2.1 基于浓度调节的遗传算法(CGA)设计第26-28页
        2.1.1 浓度选择策略第26-27页
        2.1.2 精英保存策略第27页
        2.1.3 基于浓度调节的遗传算法基本流程第27-28页
    2.2 基于组织型P系统的浓度调节遗传算法设计第28-32页
        2.2.1 组织型P系统结构设计第28-30页
        2.2.2 组织型P系统规则表述第30-31页
        2.2.3 基于组织P系统的浓度调节遗传算法基本流程第31-32页
    2.3 实验分析第32-37页
        2.3.1 测试函数第33-34页
        2.3.2 实验结果分析第34-37页
    2.4 本章小结第37-38页
第3章 基于组织型P系统的改进自适应遗传算法(TPIAGA)第38-50页
    3.1 基于模拟退火策略的改进自适应遗传算法设计第38-41页
        3.1.1 模拟退火策略第38页
        3.1.2 自适应算子设计第38-40页
        3.1.3 基于模拟退火的自适应遗传算法基本流程第40-41页
    3.2 基于组织型P系统的改进自适应遗传算法设计第41-45页
        3.2.1 组织型P系统结构设计第41-42页
        3.2.2 组织型P系统规则表述第42-43页
        3.2.3 基于组织型P系统的改进自适应遗传算法基本流程第43-45页
    3.3 实验分析第45-49页
        3.3.1 测试函数第45-46页
        3.3.2 实验结果分析第46-49页
    3.4 本章小结第49-50页
第4章 TPIAGA算法在模糊C均值聚类中的应用第50-58页
    4.1 模糊C均值聚类第50-51页
        4.1.1 模糊C均值聚类理论第50-51页
        4.1.2 模糊C均值聚类步骤第51页
    4.2 基于TPIAGA算法改进的模糊C均值聚类第51-53页
        4.2.1 P系统的创建第51-52页
        4.2.2 基于TPIAGA算法的FCM聚类的基本流程第52-53页
    4.3 实验验证及分析第53-56页
    4.4 本章小结第56-58页
第5章 TPCGA算法在物流选址问题中的应用第58-66页
    5.1 物流配送中心选址问题研究现状第58页
    5.2 物流配送中心选址问题模型构建第58-60页
    5.3 TPCGA算法在物流配送中心选址问题中的设计流程第60-61页
        5.3.1 编码设计第60页
        5.3.2 种群初始化第60页
        5.3.3 适应度函数设计第60页
        5.3.4 遗传算子设计第60-61页
    5.4 实验验证及结果分析第61-65页
        5.4.1 仿真实验第61-63页
        5.4.2 结果分析第63-65页
    5.5 本章小结第65-66页
第6章 总结与展望第66-68页
    6.1 总结第66页
    6.2 研究展望第66-68页
参考文献第68-73页
攻读硕士学位期间发表的论文及参与的科研项目第73-74页
攻读硕士学位期间的获奖情况第74-75页
致谢第75页

论文共75页,点击 下载论文
上一篇:拟IPO新三板公司“三类股东”股权转让定价问题研究--以H公司为例
下一篇:基于BIM与GA的施工资源隐性成本控制模型研究