基于灰狼算法的改进及应用研究
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-13页 |
| 1.2 研究现状 | 第13-16页 |
| 1.2.1 灰狼算法改进现状 | 第13-14页 |
| 1.2.2 灰狼算法应用现状 | 第14-16页 |
| 1.3 本文的主要工作 | 第16页 |
| 1.4 本文论文结构 | 第16-18页 |
| 第2章 灰狼优化算法概述 | 第18-25页 |
| 2.1 算法起源 | 第18-20页 |
| 2.2 标准灰狼优化算法 | 第20-24页 |
| 2.2.1 算法原理 | 第20-22页 |
| 2.2.2 算法流程 | 第22-23页 |
| 2.2.3 算法行为分析 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 基于灰狼算法的改进研究 | 第25-38页 |
| 3.1 引言 | 第25页 |
| 3.2 灰狼算法的改进 | 第25-28页 |
| 3.2.1 非线性收敛因子 | 第25-26页 |
| 3.2.2 动态权重 | 第26-27页 |
| 3.2.3 算法伪码表示 | 第27-28页 |
| 3.3 实验结果与分析 | 第28-37页 |
| 3.3.1 测试函数 | 第28-30页 |
| 3.3.2 实验设置 | 第30-31页 |
| 3.3.3 结果及分析 | 第31-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 基于改进灰狼算法的RBF神经网络研究 | 第38-51页 |
| 4.1 引言 | 第38页 |
| 4.2 RBF神经网络 | 第38-42页 |
| 4.2.1 RBF神经网络原理 | 第38-40页 |
| 4.2.2 RBF常见结构学习算法 | 第40-42页 |
| 4.2.3 RBF神经网络的应用 | 第42页 |
| 4.3 改进的非线性灰狼算法 | 第42-43页 |
| 4.4 IGWO-RBF算法 | 第43-45页 |
| 4.4.1 适应度函数 | 第43页 |
| 4.4.2 算法流程 | 第43-45页 |
| 4.5 实验结果与分析 | 第45-49页 |
| 4.5.1 实验数据集 | 第45页 |
| 4.5.2 数据预处理 | 第45-46页 |
| 4.5.3 实验设置 | 第46页 |
| 4.5.4 评价标准 | 第46-47页 |
| 4.5.5 结果与分析 | 第47-49页 |
| 4.6 本章小结 | 第49-51页 |
| 结论 | 第51-54页 |
| 参考文献 | 第54-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第57页 |
