| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-24页 |
| 1.1 课题研究背景与意义 | 第12-15页 |
| 1.1.1 课题研究背景 | 第12-14页 |
| 1.1.2 课题研究意义 | 第14-15页 |
| 1.2 蝙蝠算法 | 第15-18页 |
| 1.2.1 蝙蝠算法的生物学原理 | 第15-16页 |
| 1.2.2 标准蝙蝠算法 | 第16-17页 |
| 1.2.3 蝙蝠算法流程 | 第17-18页 |
| 1.3 蝙蝠算法的研究现状 | 第18-20页 |
| 1.3.1 理论研究现状 | 第18-19页 |
| 1.3.2 应用研究现状 | 第19-20页 |
| 1.4 本文的主要工作 | 第20-24页 |
| 第2章 蝙蝠算法的最优参数 | 第24-40页 |
| 2.1 测试问题的设计与研究 | 第24-26页 |
| 2.1.1 测试问题 | 第24页 |
| 2.1.2 CEC2013评价标准 | 第24-25页 |
| 2.1.3 实验设置及评价指标 | 第25-26页 |
| 2.2 标准BA参数选择与优化 | 第26-37页 |
| 2.2.1 正交试验设计法 | 第26-27页 |
| 2.2.2 正交试验法选择BA最优参数 | 第27-37页 |
| 2.3 实验结果的统计分析 | 第37-38页 |
| 2.3.1 非参数检验 | 第37-38页 |
| 2.3.2 Friedman检验和Wilcoxon检验 | 第38页 |
| 2.4 本章小结 | 第38-40页 |
| 第3章 基于自适应飞行的蝙蝠算法 | 第40-60页 |
| 3.1 蝙蝠算法飞行方式分析 | 第40-42页 |
| 3.2 基于权重速度的蝙蝠算法 | 第42-51页 |
| 3.2.1 权重设计 | 第42-45页 |
| 3.2.2 基于速度权重的蝙蝠算法流程 | 第45页 |
| 3.2.3 模拟实验 | 第45-48页 |
| 3.2.4 权重分析 | 第48-51页 |
| 3.3 基于频率变化的蝙蝠算法 | 第51-53页 |
| 3.3.1 蝙蝠算法频率分析 | 第51页 |
| 3.3.2 模拟实验 | 第51-53页 |
| 3.4 与其他改进蝙蝠算法的比较 | 第53-59页 |
| 3.5 本章小结 | 第59-60页 |
| 第4章 混合蝙蝠算法 | 第60-74页 |
| 4.1 基于Powell法的蝙蝠算法 | 第60-63页 |
| 4.1.1 Powell法 | 第60-61页 |
| 4.1.2 基于Powell法的蝙蝠算法 | 第61-62页 |
| 4.1.3 模拟实验 | 第62-63页 |
| 4.2 基于遗传算法的蝙蝠算法 | 第63-66页 |
| 4.2.1 遗传算法 | 第63-64页 |
| 4.2.2 基于遗传算法的蝙蝠算法 | 第64-65页 |
| 4.2.3 模拟实验 | 第65-66页 |
| 4.3 基于模拟退火算法的蝙蝠算法 | 第66-69页 |
| 4.3.1 模拟退火算法 | 第66-67页 |
| 4.3.2 基于模拟退火算法的蝙蝠算法 | 第67-68页 |
| 4.3.3 模拟实验 | 第68-69页 |
| 4.4 基于分布估计算法的蝙蝠算法 | 第69-71页 |
| 4.4.1 分布估计算法 | 第69页 |
| 4.4.2 基于分布估计算法的蝙蝠算法 | 第69-70页 |
| 4.4.3 模拟实验 | 第70-71页 |
| 4.5 不同蝙蝠混合算法的比较 | 第71-72页 |
| 4.6 本章小结 | 第72-74页 |
| 第5章 基于知识学习的蝙蝠算法 | 第74-86页 |
| 5.1 基于决策知识学习的蝙蝠算法 | 第74-77页 |
| 5.1.1 基于个体历史知识学习的蝙蝠算法 | 第74-75页 |
| 5.1.2 基于群体知识学习的蝙蝠算法 | 第75-76页 |
| 5.1.3 算法流程 | 第76页 |
| 5.1.4 模拟实验 | 第76-77页 |
| 5.2 基于K均值区域学习的蝙蝠算法 | 第77-81页 |
| 5.2.1 K均值聚类法 | 第78-79页 |
| 5.2.2 基于K均值区域学习的蝙蝠算法 | 第79-80页 |
| 5.2.3 模拟实验 | 第80-81页 |
| 5.3 基于偏好知识维度学习的蝙蝠算法 | 第81-84页 |
| 5.3.1 知识与决策偏好 | 第81-82页 |
| 5.3.2 基于偏好知识维度学习的蝙蝠算法 | 第82-83页 |
| 5.3.3 模拟实验 | 第83-84页 |
| 5.4 基于不同学习方式的蝙蝠算法比较 | 第84-85页 |
| 5.5 本章小结 | 第85-86页 |
| 第6章 基于偏好多面体的非支配排序多目标蝙蝠算法 | 第86-108页 |
| 6.1 多目标优化模型、性质及评价标准 | 第86-91页 |
| 6.1.1 多目标优化模型 | 第86-87页 |
| 6.1.2 多目标优化模型的性质 | 第87页 |
| 6.1.3 多目标优化模型的评价标准 | 第87-91页 |
| 6.2 多目标蝙蝠算法及其改进 | 第91-95页 |
| 6.2.1 多目标蝙蝠优化算法 | 第91-93页 |
| 6.2.2 多目标蝙蝠算法的分析 | 第93-94页 |
| 6.2.3 基于非支配排序的多目标蝙蝠算法 | 第94-95页 |
| 6.3 基于区间的快速非支配排序多目标蝙蝠算法 | 第95-98页 |
| 6.3.1 目标函数值转换为区间 | 第95-96页 |
| 6.3.2 基于区间的非支配排序 | 第96页 |
| 6.3.3 基于区间的拥挤距离 | 第96-98页 |
| 6.4 基于偏好多面体的非支配排序多目标蝙蝠算法 | 第98-104页 |
| 6.4.1 区间偏好多面体的基本概念 | 第98-100页 |
| 6.4.2 区间偏好多面体模型 | 第100-102页 |
| 6.4.3 基于偏好多面体的排序 | 第102页 |
| 6.4.4 基于偏好多面体的非支配排序多目标蝙蝠算法 | 第102-104页 |
| 6.5 实验仿真及结果分析 | 第104-107页 |
| 6.6 本章小结 | 第107-108页 |
| 第7章 蝙蝠算法应用研究 | 第108-129页 |
| 7.1 蝙蝠算法在RNA二级结构预测中的应用 | 第108-112页 |
| 7.1.1 RNA二级结构及其预测方法 | 第108-109页 |
| 7.1.2 基于蝙蝠算法的RNA二级结构预测优化模型 | 第109-110页 |
| 7.1.3 仿真实验 | 第110-112页 |
| 7.2 蝙蝠算法在无线传感网络覆盖中的应用 | 第112-116页 |
| 7.2.1 无线传感网络覆盖 | 第112页 |
| 7.2.2 基于蝙蝠算法的无线网络覆盖优化模型 | 第112-114页 |
| 7.2.3 仿真实验 | 第114-116页 |
| 7.3 蝙蝠算法在无线传感器网络定位中的应用 | 第116-119页 |
| 7.3.1 DV-Hop算法 | 第116-117页 |
| 7.3.2 基于蝙蝠算法的DV-hop算法优化模型 | 第117页 |
| 7.3.3 仿真结果 | 第117-119页 |
| 7.4 蝙蝠算法在蛋白质折叠预测中的应用 | 第119-124页 |
| 7.4.1 蛋白质AB模型 | 第119-121页 |
| 7.4.2 基于蝙蝠算法的蛋白质折叠预测优化模型 | 第121页 |
| 7.4.3 实验仿真 | 第121-124页 |
| 7.5 蝙蝠算法在团簇中的应用 | 第124-127页 |
| 7.5.1 团簇及种子技术 | 第124-126页 |
| 7.5.2 基于区域知识学习蝙蝠算法的团簇优化模型 | 第126页 |
| 7.5.3 仿真实验 | 第126-127页 |
| 7.6 本章小结 | 第127-129页 |
| 结论 | 第129-132页 |
| 参考文献 | 第132-144页 |
| 攻读博士学位期间所取得的研究成果 | 第144-146页 |
| 致谢 | 第146页 |
