| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-22页 |
| ·研究背景 | 第10-11页 |
| ·研究的目的和意义 | 第11-13页 |
| ·蚁群算法 | 第13-16页 |
| ·蚁群算法的历史和科学意义 | 第13-15页 |
| ·蚁群算法的研究进展及其应用 | 第15-16页 |
| ·粒子群优化算法 | 第16-20页 |
| ·粒子群优化算法的历史和科学意义 | 第16-17页 |
| ·粒子群优化算法的研究进展及其应用 | 第17-20页 |
| ·论文结构安排 | 第20-22页 |
| 第二章 群智能优化算法 | 第22-49页 |
| ·蚁群算法 | 第22-32页 |
| ·基本原理 | 第22-23页 |
| ·蚁群系统模型 | 第23-25页 |
| ·蚁群算法的实现 | 第25页 |
| ·几种改进的蚁群算法 | 第25-32页 |
| ·粒子群优化算法 | 第32-48页 |
| ·基本原理 | 第32-33页 |
| ·参数的描述和分析 | 第33-34页 |
| ·粒子群优化算法的实现 | 第34-35页 |
| ·几种改进的粒子群优化算法 | 第35-48页 |
| ·小结 | 第48-49页 |
| 第三章 蚁群聚类算法在图像分割中的应用 | 第49-58页 |
| ·分类问题概述 | 第49页 |
| ·聚类问题的数学模型 | 第49-50页 |
| ·K-均值算法描述 | 第50页 |
| ·蚁群聚类在图像分割中的应用 | 第50-57页 |
| ·基于蚂蚁觅食的蚁群聚类算法 | 第50-51页 |
| ·基于蚂蚁堆形成原理的聚类算法 | 第51-52页 |
| ·图像分割中的蚁群聚类算法改进策略 | 第52-57页 |
| ·小结 | 第57-58页 |
| 第四章 基于阈值和粒子群聚类算法结合的图像分割方法 | 第58-67页 |
| ·熵和信息量 | 第58-59页 |
| ·基于信息熵的分割方法 | 第59-62页 |
| ·图像分割的最佳阈值选择策略 | 第62-63页 |
| ·图像分割的粒子群聚类算法步骤 | 第63-64页 |
| ·实验分析与结果 | 第64-66页 |
| ·小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| ·工作总结 | 第67-68页 |
| ·研究展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-76页 |