| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 主要符号表 | 第14-15页 |
| 第一章 绪论 | 第15-38页 |
| 1.1 引言 | 第15-17页 |
| 1.2 随机启发式搜索算法 | 第17-24页 |
| 1.2.1 演化算法 | 第17-20页 |
| 1.2.2 蚁群算法 | 第20-22页 |
| 1.2.3 人工免疫系统 | 第22-23页 |
| 1.2.4 其它随机搜索算法 | 第23-24页 |
| 1.3 相关工作 | 第24-36页 |
| 1.3.1 演化算法时间复杂度和近似性能研究相关工作 | 第24-30页 |
| 1.3.2 蚁群优化算法性能研究相关工作 | 第30-33页 |
| 1.3.3 基于免疫的B细胞算法性能研究相关工作 | 第33-35页 |
| 1.3.4 其它研究成果 | 第35-36页 |
| 1.4 本文概述和主要工作 | 第36-38页 |
| 第二章 随机启发式搜索算法理论研究基础 | 第38-47页 |
| 2.1 引言 | 第38页 |
| 2.2 随机启发式搜索算法的计算复杂度 | 第38-40页 |
| 2.3 随机启发式搜索算法理论研究方法 | 第40-46页 |
| 2.3.1 偏差不等式 | 第40-42页 |
| 2.3.2 标准变异 | 第42-43页 |
| 2.3.3 适应值划分 | 第43-44页 |
| 2.3.4 期望倍增距离减少 | 第44-46页 |
| 2.4 小结 | 第46-47页 |
| 第三章 演化算法求解最多叶子生成树问题的性能分析 | 第47-62页 |
| 3.1 引言 | 第47-48页 |
| 3.2 最多叶子生成树问题及(1+1) EA算法 | 第48-49页 |
| 3.3 (1+1) EA算法求解MLST问题的近似保证 | 第49-51页 |
| 3.4 (1+1) EA算法在两个MLST问题实例上的性能分析 | 第51-60页 |
| 3.4.1 在一个MLST实例上(1+1) EA算法优于 1-change邻域局部搜索方法 | 第51-55页 |
| 3.4.2 在一个MLST实例上(1+1) EA算法优于 2-change邻域局部搜索方法 | 第55-60页 |
| 3.5 小结 | 第60-62页 |
| 第四章 蚁群优化算法在二次指派问题上的性能分析 | 第62-79页 |
| 4.1 引言 | 第62页 |
| 4.2 问题和算法 | 第62-65页 |
| 4.2.1 二次指派问题 | 第62-63页 |
| 4.2.2 ACO算法 | 第63-65页 |
| 4.3 (1+1) MMAA算法求解QAP问题的近似性能分析 | 第65-72页 |
| 4.4 (1+1) MMAA算法求解QAP实例的分析 | 第72-78页 |
| 4.5 小结 | 第78-79页 |
| 第五章 基于免疫的超变异算子与标准位变异算子的性能比较 | 第79-99页 |
| 5.1 引言 | 第79-80页 |
| 5.2 基本定义及相关算法介绍 | 第80-82页 |
| 5.2.1 基本定义 | 第80-81页 |
| 5.2.2 算法 | 第81-82页 |
| 5.3 基于免疫的超变异算子在一些人工函数上优于标准位变异算子 | 第82-87页 |
| 5.3.1 TRAP函数 | 第82-84页 |
| 5.3.2 H-IFF函数 | 第84-87页 |
| 5.4 基于免疫的超变异、标准位变异及局部变异算子在最大割问题实例上的性能比较 | 第87-93页 |
| 5.4.1 最大割问题 | 第87-89页 |
| 5.4.2 不同变异算子在实例MC(s, p) 上的行为分析 | 第89-93页 |
| 5.5 基于免疫的超变异算子在最小S-T割问题的一个实例上优于标准位变异算子 | 第93-97页 |
| 5.5.1 最小s-t割问题 | 第93-96页 |
| 5.5.2 变异算子CHM2在实例ST(k, l) 上的分析 | 第96-97页 |
| 5.6 小结 | 第97-99页 |
| 结论 | 第99-101页 |
| 参考文献 | 第101-116页 |
| 攻读博士学位期间取得的研究成果 | 第116-118页 |
| 致谢 | 第118-119页 |
