| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 插图和附表清单 | 第8-9页 |
| 1 绪论 | 第9-12页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 论文的研究内容及组织结构 | 第11-12页 |
| 2 蚁群系统的基本原理 | 第12-27页 |
| 2.1 基本蚁群算法原理 | 第12-13页 |
| 2.2 基本蚁群算法模型 | 第13-15页 |
| 2.3 传统蚁群算法的参数影响 | 第15-21页 |
| 2.3.1 信息素挥发度更新规则 | 第15-16页 |
| 2.3.2 初始化蚁群数量的影响 | 第16-17页 |
| 2.3.3 启发式因子的选择 | 第17-19页 |
| 2.3.4 总信息量Q的选择 | 第19-20页 |
| 2.3.5 配置AS性能中α、β、Ρ组合配置的影响 | 第20-21页 |
| 2.4 基于混沌理论的蚁群参数调整算法改进 | 第21-26页 |
| 2.4.1 混沌理论的基本原理 | 第22-23页 |
| 2.4.2 对蚁群参数进行调整 | 第23-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 人工免疫算法 | 第27-39页 |
| 3.1 免疫生物学 | 第27-28页 |
| 3.2 免疫系统的克隆选择原理 | 第28页 |
| 3.3 人工免疫算法的原理 | 第28-29页 |
| 3.4 基本算法流程和框架 | 第29-33页 |
| 3.4.1 免疫算法的基本实现步骤 | 第29页 |
| 3.4.2 免疫算法流程描述 | 第29-32页 |
| 3.4.3 抗体的抑制和促进 | 第32页 |
| 3.4.4 抗体抗原编码方式 | 第32-33页 |
| 3.5 实际应用中的免疫算法 | 第33-37页 |
| 3.5.1 一种改进的免疫算法 | 第33-35页 |
| 3.5.2 基于免疫优化的免疫算法 | 第35-37页 |
| 3.6 人工免疫算法测评 | 第37-38页 |
| 3.6.1 人工免疫算法特点分析 | 第37页 |
| 3.6.2 免疫算法的优缺点 | 第37-38页 |
| 3.7 本章小结 | 第38-39页 |
| 4 基于人工免疫的蚁群算法 | 第39-44页 |
| 4.1 基于人工免疫的蚁群算法简介 | 第39页 |
| 4.2 人工免疫算法与蚁群算法的融合 | 第39页 |
| 4.3 基于人工免疫和蚁群算法的混合算法 | 第39-40页 |
| 4.3.1 算法的基本设计 | 第39页 |
| 4.3.2 人工免疫算法免疫算子的构造 | 第39-40页 |
| 4.4 人工免疫-蚁群算法的基本实现步骤 | 第40-42页 |
| 4.5 人工免疫-蚁群算法流程图 | 第42-43页 |
| 4.11 本章小结 | 第43-44页 |
| 5 人工免疫-蚁群算法的仿真测试 | 第44-50页 |
| 5.1 多峰值函数优化问题概述 | 第44-45页 |
| 5.2 多峰值函数的极值求解 | 第45-46页 |
| 5.2.1 初始化问题解空间 | 第45-46页 |
| 5.2.2 算法中的信息素更新规则 | 第46页 |
| 5.3 仿真实例 | 第46-49页 |
| 5.4 算法结果误差分析 | 第49页 |
| 5.5 小结 | 第49-50页 |
| 6 总结与展望 | 第50-51页 |
| 6.1 总结 | 第50页 |
| 6.2 展望 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 作者简介 | 第55页 |