基于人工蜂群和云模型的仿生智能算法研究与应用
| 中文摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-12页 |
| ·研究背景 | 第8-9页 |
| ·本文的主要工作和创新点 | 第9-10页 |
| ·本文的组织结构 | 第10-12页 |
| 第二章 基于云模型的人工蜂群算法 | 第12-24页 |
| ·人工蜂群算法的基本原理 | 第12-13页 |
| ·人工蜂群算法优缺点 | 第13-14页 |
| ·主要优点 | 第13-14页 |
| ·存在的一些问题 | 第14页 |
| ·若干现有改进算法综述 | 第14-15页 |
| ·基于云模型的人工蜂群算法 | 第15-18页 |
| ·正态云发生器 | 第15-16页 |
| ·云变异搜索 | 第16-17页 |
| ·侦察蜂的搜素方式 | 第17-18页 |
| ·算法实现步骤 | 第18页 |
| ·实验结果与分析 | 第18-23页 |
| ·测试函数及参数设置 | 第18-20页 |
| ·实验对比分析 | 第20-22页 |
| ·参数对优化效果的影响 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 两种基于人工蜂群的新算法 | 第24-40页 |
| ·带最优引导的人工蜂群算法 | 第24-31页 |
| ·最优引导搜索模式 | 第24-25页 |
| ·侦察蜂新的搜索策略 | 第25-26页 |
| ·IGABC算法的实现步骤 | 第26页 |
| ·实验结果与分析 | 第26-31页 |
| ·基于人工蜂群的文化算法 | 第31-39页 |
| ·文化算法 | 第31-33页 |
| ·规范知识的建立 | 第33页 |
| ·规范知识引导的侦察蜂探索模式 | 第33-34页 |
| ·种群多样性保持策略 | 第34-35页 |
| ·算法步骤 | 第35页 |
| ·实验分析与讨论 | 第35-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 基于人工蜂群和粒子群最小约简算法 | 第40-50页 |
| ·粗糙集与属性约简 | 第40-42页 |
| ·粗糙集与属性约简的基本概念 | 第40-41页 |
| ·属性约简算法概述 | 第41-42页 |
| ·带粒子速度的人工蜂群最小属性约简算法 | 第42-46页 |
| ·个体的编码方式 | 第44页 |
| ·适应值计算方式 | 第44页 |
| ·带速度的蜜蜂位置更新模式 | 第44-45页 |
| ·新算法的基本步骤 | 第45-46页 |
| ·实验结果比较与分析 | 第46-49页 |
| ·测试数据集 | 第47页 |
| ·实验参数设置 | 第47页 |
| ·实验结果 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 总结与展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 个人简历 | 第57-58页 |
| 在学期间的研究成果及发表的学术论文 | 第58页 |
