| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第17-27页 |
| 1.1 论文选题的研究意义和目的 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-25页 |
| 1.2.1 人工蜂群算法的比较与改进 | 第19-21页 |
| 1.2.2 混合人工蜂群算法的研究 | 第21页 |
| 1.2.3 人工蜂群算法的应用研究 | 第21-23页 |
| 1.2.4 国内研究现状 | 第23-25页 |
| 1.3 论文的主要研究内容与结构安排 | 第25-27页 |
| 第二章 人工蜂群算法及收敛性分析 | 第27-41页 |
| 2.1 引言 | 第27-28页 |
| 2.2 蜂群行为 | 第28-29页 |
| 2.3 人工蜂群算法原理与步骤 | 第29-33页 |
| 2.4 人工蜂群算法的Markov链模型 | 第33-35页 |
| 2.5 收敛性分析 | 第35-39页 |
| 2.5.1 依概率收敛 | 第36页 |
| 2.5.2 几乎必然强收敛 | 第36-39页 |
| 2.6 小结 | 第39-41页 |
| 第三章 全局优化问题的混合人工蜂群算法 | 第41-49页 |
| 3.1 引言 | 第41页 |
| 3.2 混合人工蜂群算法 | 第41-43页 |
| 3.2.1 正交初始化 | 第41-42页 |
| 3.2.2 新搜索机制 | 第42-43页 |
| 3.3 数值实验 | 第43-47页 |
| 3.4 小结 | 第47-49页 |
| 第四章 函数优化问题的改进人工蜂群算法 | 第49-63页 |
| 4.1 引言 | 第49-50页 |
| 4.2 改进人工蜂群算法 | 第50-53页 |
| 4.2.1 正交初始化 | 第50-51页 |
| 4.2.2 新搜索机制 | 第51-52页 |
| 4.2.3 改进人工蜂群算法 | 第52-53页 |
| 4.3 数值实验 | 第53-61页 |
| 4.3.1 测试函数 | 第53-55页 |
| 4.3.2 选择概率p的影响分析 | 第55-56页 |
| 4.3.3 改进人工蜂群算法与人工蜂群算法的比较 | 第56-60页 |
| 4.3.4 与其他算法比较 | 第60-61页 |
| 4.4 小结 | 第61-63页 |
| 第五章 非负线性最小二乘问题的有效人工蜂群算法 | 第63-79页 |
| 5.1 引言 | 第63-64页 |
| 5.2 有效人工蜂群算法 | 第64-67页 |
| 5.2.1 正交初始化 | 第64-65页 |
| 5.2.2 新搜索方程 | 第65-66页 |
| 5.2.3 有效人工蜂群算法 | 第66-67页 |
| 5.3 数值实验及比较 | 第67-78页 |
| 5.3.1 对27个benchmark测试函数实验 | 第67-76页 |
| 5.3.2 对NLLS测试问题实验 | 第76-78页 |
| 5.4 小结 | 第78-79页 |
| 第六章 非负线性最小二乘问题的混沌人工蜂群算法 | 第79-99页 |
| 6.1 引言 | 第79-80页 |
| 6.2 有效混沌人工蜂群算法 | 第80-82页 |
| 6.2.1 反学习初始化 | 第80页 |
| 6.2.2 新的搜索方程 | 第80-81页 |
| 6.2.3 混沌局部搜索 | 第81-82页 |
| 6.2.4 混沌人工蜂群算法 | 第82页 |
| 6.3 数值实验及比较分析 | 第82-97页 |
| 6.3.1 对27个benchmark测试函数实验 | 第83-95页 |
| 6.3.2 对NLLS问题实验 | 第95-97页 |
| 6.4 小结 | 第97-99页 |
| 第七章 约束优化问题的算法投资组合 | 第99-119页 |
| 7.1 引言 | 第99-100页 |
| 7.2 算法投资组合 | 第100-104页 |
| 7.2.1 基于自适应模型的进化策略 | 第100-102页 |
| 7.2.2 人工蜂群算法 | 第102-104页 |
| 7.2.3 算法投资组合 | 第104页 |
| 7.3 数值实验及分析 | 第104-117页 |
| 7.3.1 参数设置 | 第104-105页 |
| 7.3.2 结果及分析 | 第105-117页 |
| 7.4 小结 | 第117-119页 |
| 第八章 结论和展望 | 第119-121页 |
| 参考文献 | 第121-135页 |
| 致谢 | 第135-137页 |
| 作者简介 | 第137-138页 |