求解全局优化问题的人工蜂群算法的改进研究及应用
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景及课题意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 单目标人工蜂群优化算法的研究现状 | 第11-13页 |
| 1.2.2 多目标人工蜂群优化算法的研究现状 | 第13-15页 |
| 1.2.3 环境经济调度问题的研究现状 | 第15-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.4 本文结构安排 | 第17-18页 |
| 第2章 基本人工蜂群算法概述 | 第18-24页 |
| 2.1 人工蜂群算法基本行为描述 | 第18-20页 |
| 2.2 人工蜂群算法基本原理及流程 | 第20-23页 |
| 2.2.1 初始化阶段 | 第20页 |
| 2.2.2 采蜜蜂阶段 | 第20-21页 |
| 2.2.3 观察蜂阶段 | 第21-22页 |
| 2.2.4 侦查蜂阶段 | 第22页 |
| 2.2.5 算法流程 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 增强局部搜索能力的单目标人工蜂群优化算法 | 第24-38页 |
| 3.1 引言 | 第24-25页 |
| 3.2 算法描述 | 第25-29页 |
| 3.2.1 混沌初始化策略 | 第25-27页 |
| 3.2.2 新的搜索方程 | 第27页 |
| 3.2.3 学习概率L | 第27-28页 |
| 3.2.4 算法步骤 | 第28-29页 |
| 3.3 实验仿真与结果分析 | 第29-37页 |
| 3.3.1 测试函数和参数设置 | 第29-30页 |
| 3.3.2 参数L的影响 | 第30页 |
| 3.3.3 实验结果分析 | 第30-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 平衡搜索能力的单目标人工蜂群优化算法 | 第38-50页 |
| 4.1 引言 | 第38-39页 |
| 4.2 算法描述 | 第39-42页 |
| 4.2.1 广义反向学习策略 | 第39-40页 |
| 4.2.2 搜索机制改进 | 第40-41页 |
| 4.2.3 算法步骤 | 第41-42页 |
| 4.3 实验仿真与结果分析 | 第42-49页 |
| 4.3.1 测试函数 | 第42-43页 |
| 4.3.2 与基本ABC的实验比较 | 第43-47页 |
| 4.3.3 与ABC变体的实验比较 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 多目标人工蜂群优化算法改进及应用 | 第50-66页 |
| 5.1 MOP相关理论 | 第50-52页 |
| 5.1.1 MOP问题描述 | 第50页 |
| 5.1.2 Pareto相关定义 | 第50-52页 |
| 5.2 EED问题的数学模型 | 第52-54页 |
| 5.2.1 目标函数 | 第52页 |
| 5.2.2 约束条件 | 第52-53页 |
| 5.2.3 优化问题 | 第53页 |
| 5.2.4 优化目标 | 第53-54页 |
| 5.3 算法描述 | 第54-58页 |
| 5.3.1 分解方法 | 第54-55页 |
| 5.3.2 种群搜索策略 | 第55-56页 |
| 5.3.3 外部档案策略 | 第56-57页 |
| 5.3.4 约束处理方法 | 第57-58页 |
| 5.4 实验仿真与结果分析 | 第58-64页 |
| 5.4.1 测试函数和参数设置 | 第58页 |
| 5.4.2 算法评价指标 | 第58-59页 |
| 5.4.3 在测试函数的实验结果 | 第59-62页 |
| 5.4.4 在EED实验结果分析 | 第62-64页 |
| 5.5 本章小结 | 第64-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 研究工作总结 | 第66-67页 |
| 6.2 未来的工作展望 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74-75页 |
| 个人简历、在学期间发表的学术论文及研究成果 | 第75页 |
