| 摘要 | 第7-14页 |
| Abstract | 第14-15页 |
| CHAPTER 1: INTRODUCTION | 第20-50页 |
| 1.1 Background | 第20-23页 |
| 1.1.1 Adaptive attributes of a swarm | 第21页 |
| 1.1.2 Functioning process of the swarm | 第21-22页 |
| 1.1.3 Attributes of feedback in the swarm | 第22页 |
| 1.1.4 The effect of random movement of particles in the swarm | 第22-23页 |
| 1.1.5 Collectivity of a swarm | 第23页 |
| 1.2 Variants of swarm intelligence: Ant colony optimisation | 第23-30页 |
| 1.2.1 Ant colony optimisation | 第23-27页 |
| 1.2.2 Ants’ social behaviour | 第27页 |
| 1.2.3 Artificial ant colony | 第27-28页 |
| 1.2.4 General process of the ACO | 第28页 |
| 1.2.5 Artificial pheromone trail | 第28-29页 |
| 1.2.6 Initial pheromone | 第29页 |
| 1.2.7 The pheromone update | 第29-30页 |
| 1.2.8 The elitist strategy for ACO | 第30页 |
| 1.3 Variants of swarm intelligence: Particle swarm optimisaton | 第30-36页 |
| 1.3.1 Assumed social behaviour | 第32-33页 |
| 1.3.2 Components of PSO | 第33页 |
| 1.3.3 Rules to establish a swarm | 第33-34页 |
| 1.3.4 Outline of parameters for PSO algorithm | 第34-35页 |
| 1.3.5 General PSO flowchart | 第35-36页 |
| 1.3.6 Layout of PSO algorithm | 第36页 |
| 1.4 Variants of swarm intelligence: Artificial bee colony (ABC) | 第36-42页 |
| 1.4.1 Artificial bee colony (ABC) algorithm | 第37-39页 |
| 1.4.2 Implementation procedures of the ABC algorithm | 第39-41页 |
| 1.4.3 A brief of the ABC search process | 第41页 |
| 1.4.4 Steps of the ABC algorithm | 第41-42页 |
| 1.5 Variants of swarm intelligence: Gravitational search algorithm (GSA) | 第42-44页 |
| 1.5.1 Gravitational force | 第42-43页 |
| 1.5.2 Basic gravitational search algorithm steps: | 第43-44页 |
| 1.6 Other forms of swarm intelligence (SI) | 第44-46页 |
| 1.6.1 Artificial immune systems (AISS): | 第45页 |
| 1.6.2 Bat algorithm | 第45页 |
| 1.6.3 Bacterial colony optimisation | 第45页 |
| 1.6.4 Differential evolution | 第45-46页 |
| 1.6.5 Artificial fish swarm (AFS) | 第46页 |
| 1.6.6 Firefly algorithm | 第46页 |
| 1.7 Research content and the core projects | 第46-47页 |
| 1.8 Organisation of the entire thesis | 第47-50页 |
| CHAPTER 2:LITERATURE REVIEW AND APPLICATIONS OF SWARM INTELLIGENCE | 第50-64页 |
| 2.1 Overview of ant colony optimisation algorithm applications | 第50-53页 |
| 2.1.1 Scheduling tasks | 第50-51页 |
| 2.1.2 Assignment and layout problems | 第51页 |
| 2.1.3 Routing problems | 第51页 |
| 2.1.4 Solving bio-informatics problems | 第51-52页 |
| 2.1.5 Solving multi-objective optimisation problems | 第52-53页 |
| 2.2 Overview of particle swarm optimisation (PSO) applications | 第53-55页 |
| 2.2.1 Design for power system controller | 第54页 |
| 2.2.2 Economic dispatch problem | 第54页 |
| 2.2.3 Neural network training | 第54-55页 |
| 2.2.4 Hydrocarbon field optimisation | 第55页 |
| 2.3 Brief literature on artificial bee colony (ABC) optimisation | 第55-60页 |
| 2.3.1 Training neural networks | 第56-57页 |
| 2.3.2 Power systems | 第57-58页 |
| 2.3.3 Image processing | 第58页 |
| 2.3.4 Software application and engineering | 第58-59页 |
| 2.3.5 Data mining | 第59-60页 |
| 2.4 Overview of gravitational search algorithm (GSA) applications | 第60-64页 |
| CHAPTER 3: IMPROVED OPTIMISATION METHOD FOR IMAGE CLASSIFICATION WITHGRAVITATIONAL SEARCH ALGORITHM | 第64-88页 |
| 3.1 Motivation | 第64-69页 |
| 3.1.1 Image features | 第65-67页 |
| 3.1.2 Feature and classifier | 第67页 |
| 3.1.3 Feature extraction and selection | 第67-69页 |
| 3.2 Gravitational search algorithm | 第69-74页 |
| 3.2.1 Distance between two objects under gravity | 第69-74页 |
| 3.3 Feature selection with quantum-inspired binary gravitational search algorithm (QBGSA) 55 | 第74-75页 |
| 3.4 The proposed quantum-binary gravitational search algorithm with support vector machine(QBGSA-SVM) | 第75-80页 |
| 3.4.1 Support vector machine (SVM) classifier | 第75-79页 |
| 3.4.2 Adoption of radial basis function (RBF) | 第79页 |
| 3.4.3 Implementation of RBF kernel based SVM classifier | 第79-80页 |
| 3.5 Experimentation and results | 第80-88页 |
| 3.5.1 Dataset description | 第81-82页 |
| 3.5.2 Discussion of the experimental result and conclusion drawn | 第82-86页 |
| 3.5.3 Recommendation for future work | 第86-88页 |
| CHAPTER 4: IMPROVED CENTRIPETAL ACCELERATED PARTICLE SWARMOPTIMISATION FOR RELEVANCE FEEDBACK IN MEDICAL IMAGE RETRIEVAL | 第88-106页 |
| 4.1 Motivation | 第88-90页 |
| 4.1.1 Layout of centripetal acceleration PSO (CAPSO) | 第89-90页 |
| 4.2 Improvement of the centripetal–accelerated particles swarm optimisation (ICAPSO) | 第90-95页 |
| 4.2.1 Fundamentals of CAPSO method | 第90-92页 |
| 4.2.2 Parameters deduction and implementation in ICAPSO | 第92-95页 |
| 4.3 Quantum influence on centripetal–accelerated particles | 第95-98页 |
| 4.3.1 The description of the ICAPSO algorithm | 第97-98页 |
| 4.4 ICAPSO application in relevance feedback (RF) in medical image retrieval | 第98-100页 |
| 4.5 Experiment about the ICAPSO method in relevance feedback (RF) | 第100-104页 |
| 4.5.1 System and dataset description | 第100-101页 |
| 4.5.2 Explanation of results of the experiment | 第101-104页 |
| 4.6 Conclusion and recommendation for further study | 第104-106页 |
| CHAPTER 5:FEATURE SELECTION METHOD BASED ON MULTI-OBJECTIVEOPTIMISATION WITH GRAVITATIONAL SEARCH ALGORITHM | 第106-126页 |
| 5.1 Motivation | 第106-108页 |
| 5.1.1 Feature dimension and selection | 第107-108页 |
| 5.2 Related works on feature selection | 第108-109页 |
| 5.3 Multi-objective optimisation with GSA | 第109-111页 |
| 5.3.1 Gravitational search algorithm GSA | 第110-111页 |
| 5.3.2 Fitness of particles in the solution space | 第111页 |
| 5.4 Multi-objective gravitational search algorithm and Pareto Front | 第111-119页 |
| 5.4.1 The primal optimisation process of (FSMOGSA) | 第113-115页 |
| 5.4.2 Random mutation to generate new agents | 第115-117页 |
| 5.4.3 Indexed non-dominated solutions (Pareto Front) subsets | 第117-119页 |
| 5.4.4 The K-Nearest Neighbor (K-NN) classifier | 第119页 |
| 5.5 Experiment | 第119-126页 |
| 5.5.1 Conclusion and suggestions for future selection | 第124-126页 |
| CHAPTER 6: SUMMARY OF WORK AND SUGGESTIONS FOR FUTURE STUDIES | 第126-130页 |
| 6.1 Summary of work | 第126-128页 |
| 6.2 Suggestions for future studies | 第128-130页 |
| Appendix | 第130-132页 |
| REFERENCES | 第132-146页 |
| Publications （作者简介及在学期间所取得的研究成果） | 第146-148页 |
| Acknowledgement | 第148-149页 |
