首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文

改进的萤火虫算法及其应用研究

摘要第3-4页
abstract第4-5页
1 绪论第9-15页
    1.1 研究背景第9页
    1.2 科学意义和应用前景第9-10页
    1.3 国内外研究进展第10-12页
        1.3.1 参数改进第10页
        1.3.2 混合算法第10-11页
        1.3.3 离散萤火虫算法第11页
        1.3.4 萤火虫(FA)算法的应用现状第11-12页
    1.4 主要研究内容及论文结构第12-14页
        1.4.1 主要研究内容第12-13页
        1.4.2 论文结构第13-14页
    1.5 本章小结第14-15页
2 基础知识及相关理论第15-23页
    2.1 智能优化算法第15-21页
        2.1.1 粒子群算法第16-18页
        2.1.2 遗传算法第18-19页
        2.1.3 布谷鸟搜索算法第19-21页
    2.2 萤火虫优化算法基础知识第21-22页
        2.2.1 萤火虫算法的生物学原理第21页
        2.2.2 算法描述第21-22页
        2.2.3 萤火虫算法步骤第22页
    2.3 小结第22-23页
3 基于惯性权重对数递减的萤火虫算法第23-33页
    3.1 引言第23页
    3.2 惯性权重策略第23-26页
        3.2.1 几种惯性权重第23-24页
        3.2.2 惯性权重对种群多样性的影响第24页
        3.2.3 惯性权重对数递减策略α曲线第24-25页
        3.2.4 几种惯性权重与迭代次数关系曲线第25-26页
    3.3 算法的实现过程描述第26-27页
    3.4 仿真实验第27-31页
        3.4.1 给定迭代次数时的FA仿真实验第27-30页
        3.4.2 成功率测试第30-31页
    3.5 小结第31-33页
4 基于改进萤火虫算法求解旅行商问题第33-41页
    4.1 引言第33页
    4.2 旅行商问题简介第33-34页
    4.3 萤火虫算法的改进第34-35页
        4.3.1 设计惯性权重ω来保证全局收敛性第34页
        4.3.2 基于GA改进萤火虫算法第34-35页
    4.4 改进的萤火虫算法求解旅行商问题第35-36页
    4.5 仿真实验第36-39页
        4.5.1 参数设置第36页
        4.5.2 实验结果对比第36-39页
    4.6 小结第39-41页
5 改进的萤火虫算法在k-means聚类中的应用第41-53页
    5.1 引言第41页
    5.2 k-means聚类第41-42页
    5.3 改进的萤火虫优化算法第42-43页
        5.3.1 设计惯性权重?的取值保证算法的全局收敛性第42页
        5.3.2 莱维飞行优化萤火虫算法第42-43页
        5.3.3 改进的萤火虫优化算法流程第43页
    5.4 改进的萤火虫算法在k-means算法中的应用第43-45页
        5.4.1 k均值聚类算法的编码第43页
        5.4.2 适应度函数的选择第43-44页
        5.4.3 基于改进的萤火虫算法的k-means聚类第44-45页
    5.5 实验结果及分析第45-52页
        5.5.1 数值实验第45-48页
        5.5.2 k-means聚类仿真第48-52页
    5.6 小结第52-53页
6 总结与展望第53-55页
    6.1 本文主要工作及结论第53页
    6.2 未来工作展望第53-55页
致谢第55-57页
参考文献第57-63页
附录第63页
    攻读硕士研究生期间完成的论文第63页
    攻读硕士研究生期间所获奖励第63页

论文共63页,点击 下载论文
上一篇:基于深度学习融入实体描述的知识图谱表示学习研究
下一篇:基于改进搜索策略的混合花粉算法研究及其应用