| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 研究的创新点 | 第12-13页 |
| 1.4 研究框架 | 第13-15页 |
| 第2章 相关理论研究 | 第15-20页 |
| 2.1 智能优化算法 | 第15-17页 |
| 2.1.1 群智能优化算法 | 第15-16页 |
| 2.1.2 梯度下降算法 | 第16-17页 |
| 2.1.3 模拟退火算法 | 第17页 |
| 2.2 聚类算法 | 第17-18页 |
| 2.3 复杂网络 | 第18-19页 |
| 2.4 朴素贝叶斯分类 | 第19-20页 |
| 第3章 基于人工蜂群优化的密度峰值聚类 | 第20-33页 |
| 3.1 引言 | 第20-21页 |
| 3.2 基于人工蜂群优化的密度峰值聚类 | 第21-27页 |
| 3.2.1 计算数据点的密度及生成决策图 | 第22页 |
| 3.2.2 执行初始聚类 | 第22-23页 |
| 3.2.3 识别类簇间数据点 | 第23-24页 |
| 3.2.4 初选类簇间数据点的类簇标号 | 第24-25页 |
| 3.2.5 判定类簇间数据点的类簇标号 | 第25-27页 |
| 3.2.6 完成聚类 | 第27页 |
| 3.3 实验结果 | 第27-31页 |
| 3.3.1 类簇间数据点的自动识别 | 第27-28页 |
| 3.3.2 任意形状数据集的类簇中心点和类簇数目的自动识别 | 第28-29页 |
| 3.3.3 不同形状和大小的数据集的有效聚合 | 第29-30页 |
| 3.3.4 分类效果评价 | 第30-31页 |
| 3.4 结果分析 | 第31-32页 |
| 3.4.1 类簇间数据点自动识别分析 | 第31-32页 |
| 3.4.2 聚类类簇间数据点的合理性分析 | 第32页 |
| 3.4.3 任意分布的数据集的处理能力分析 | 第32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 基于人工蜂群优化的密度峰值聚类算法在民营上市公司聚类中的应用 | 第33-39页 |
| 4.1 引言 | 第33-34页 |
| 4.2 数据来源及预处理 | 第34页 |
| 4.3 基于人工蜂群的密度峰值聚类算法 | 第34-37页 |
| 4.4 结果分析 | 第37-38页 |
| 4.5 本章小结 | 第38-39页 |
| 第5章 面向供应链优化的基于复杂网路和朴素贝叶斯分类的人工蜂群算法. | 第39-60页 |
| 5.1 引言 | 第39-41页 |
| 5.2 模型建立 | 第41-44页 |
| 5.2.1 问题描述 | 第41-43页 |
| 5.2.2 解的表达 | 第43-44页 |
| 5.3 基于复杂网络的人工蜂群算法 | 第44-45页 |
| 5.4 基于复杂网络和朴素贝叶斯分类的人工蜂群算法 | 第45-46页 |
| 5.5 推土机制造企业的供应链网络优化 | 第46-58页 |
| 5.5.1 全局最优解集的搜索能力 | 第50-56页 |
| 5.5.2 搜索全局最优解集的速度 | 第56-58页 |
| 5.6 结果分析 | 第58-59页 |
| 5.7 本章小结 | 第59-60页 |
| 第6章 面向供应链优化的基于梯度下降和模拟退火的人工蜂群算法 | 第60-76页 |
| 6.1 引言 | 第60-61页 |
| 6.2 基于梯度下降和模拟退火的人工蜂群算法 | 第61-63页 |
| 6.3 推土机制造企业的供应链网络优化 | 第63-71页 |
| 6.4 对比研究 | 第71-74页 |
| 6.5 本章小结 | 第74-76页 |
| 第7章 结论与展望 | 第76-78页 |
| 7.1 结论 | 第76-77页 |
| 7.2 展望 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 作者简历 | 第83-84页 |
| 后记 | 第84页 |
