摘要 | 第5-7页 |
Abstract | 第7-9页 |
第1章 绪论 | 第16-34页 |
1.1 研究的背景及意义 | 第16-18页 |
1.2 智能算法 | 第18-25页 |
1.3 智能算法的研究现状 | 第25-31页 |
1.3.1 人工萤火虫群优化算法的研究现状 | 第25-26页 |
1.3.2 免疫算法的研究现状 | 第26-28页 |
1.3.3 入侵杂草优化算法的研究现状 | 第28-29页 |
1.3.4 人工化学反应优化算法的研究现状 | 第29-31页 |
1.4 本文的研究工作 | 第31-32页 |
1.5 本文的组织结构 | 第32-34页 |
第2章 基于精英学习的量子行为萤火虫群优化算法 | 第34-56页 |
2.1 引言 | 第34-35页 |
2.2 人工萤火虫群优化算法 | 第35-36页 |
2.3 基于精英学习的量子行为萤火虫群优化算法ELQGSO | 第36-40页 |
2.3.1 混沌搜索算子 | 第36-37页 |
2.3.2 变步长GSO搜索策略 | 第37页 |
2.3.3 随机机制的量子行为策略 | 第37-38页 |
2.3.4 动态逼近学习策略 | 第38-39页 |
2.3.5 ELQGSO算法步骤和流程图 | 第39-40页 |
2.4 实验结果与分析 | 第40-55页 |
2.4.1 实验平台 | 第41页 |
2.4.2 基准函数测试集 | 第41-43页 |
2.4.3 测试结果 | 第43-55页 |
2.5 本章小结 | 第55-56页 |
第3章 混合免疫算法在TSP问题中的应用 | 第56-72页 |
3.1 引言 | 第56-57页 |
3.2 TSP描述 | 第57-58页 |
3.3 基本算法 | 第58-65页 |
3.3.1 基本免疫算法(Basic immune algorithm,BIA) | 第58-63页 |
3.3.2 贪心算法(Greedy algorithm) | 第63-64页 |
3.3.3 去交叉算子 | 第64-65页 |
3.4 混合免疫算法 | 第65-68页 |
3.4.1 基本原理 | 第65-66页 |
3.4.2 混合免疫算法流程 | 第66-68页 |
3.5 实验与讨论 | 第68-71页 |
3.6 本章小结 | 第71-72页 |
第4章 云模型入侵杂草优化算法在聚类中的应用 | 第72-82页 |
4.1 引言 | 第72-73页 |
4.2 聚类的基本原理 | 第73-74页 |
4.3 基本算法 | 第74-77页 |
4.3.1 入侵杂草优化算法 | 第74-76页 |
4.3.2 云模型理论 | 第76-77页 |
4.4 云模型入侵杂草优化算法在聚类问题中的应用 | 第77-78页 |
4.4.1 构造个体 | 第77-78页 |
4.4.2 执行步骤 | 第78页 |
4.5 仿真实验与分析 | 第78-81页 |
4.6 本章小结 | 第81-82页 |
第5章 人工化学反应优化算法在作业调度中的应用 | 第82-100页 |
5.1 引言 | 第82-83页 |
5.2 相关工作 | 第83-84页 |
5.3 调度模型 | 第84-87页 |
5.3.1 系统模型 | 第84-85页 |
5.3.2 应用模型 | 第85-87页 |
5.4 算法设计 | 第87-96页 |
5.4.1 ACROA框架 | 第87-90页 |
5.4.2 分子结构的表示 | 第90页 |
5.4.3 单分子氧化还原Redoxl反应算子 | 第90-91页 |
5.4.4 分解Decomposition算子 | 第91-92页 |
5.4.5 双位移Double Displacement反应算子 | 第92-93页 |
5.4.6 合成Synthesis算子 | 第93-94页 |
5.4.7 Redox2反应算子 | 第94-96页 |
5.4.8 势能函数 | 第96页 |
5.4.9 可逆Reversible反应算子 | 第96页 |
5.4.10 终止标准检查 | 第96页 |
5.5 仿真实验与分析 | 第96-99页 |
5.5.1 实际DAG应用图 | 第97-98页 |
5.5.2 随机生成的DAG应用图 | 第98-99页 |
5.6 本章小结 | 第99-100页 |
结论 | 第100-103页 |
参考文献 | 第103-119页 |
附录A 攻读学位期间所发表的学术论文 | 第119-120页 |
附录B 攻读学位期间所参加的科研项目 | 第120-121页 |
致谢 | 第121页 |