人工蜂群算法的研究及应用
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第10-16页 |
| 1.1 研究背景 | 第10-12页 |
| 1.1.1 群体智能 | 第10-11页 |
| 1.1.2 人工蜂群算法 | 第11页 |
| 1.1.3 数据挖掘 | 第11-12页 |
| 1.1.4 机器学习 | 第12页 |
| 1.2 课题研究目的及意义 | 第12-14页 |
| 1.3 论文的主要研究工作 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-16页 |
| 第2章 主要技术和基本理论 | 第16-25页 |
| 2.1 人工蜂群算法 | 第16-17页 |
| 2.2 蚁群算法的数学模型 | 第17-21页 |
| 2.3 支持向量机分类算法概述 | 第21-22页 |
| 2.4 k-最近邻分类算法概述 | 第22-25页 |
| 第3章 使用蜂群算法解决最大割问题 | 第25-37页 |
| 3.1 问题的数学描述 | 第25-26页 |
| 3.1.1 数学模型 | 第25-26页 |
| 3.2 使用五种智能算法解决最大割问题 | 第26-31页 |
| 3.2.1 遗传算法(GA) | 第26-27页 |
| 3.2.2 Hopfield神经网络方法 | 第27-28页 |
| 3.2.3 蚁群算法(ACO) | 第28-30页 |
| 3.2.4 粒子群(PSO)算法 | 第30页 |
| 3.2.5 人工蜂群算法(ABC) | 第30-31页 |
| 3.3 实验结果 | 第31-36页 |
| 3.4 算法比较分析 | 第36页 |
| 3.5 结论 | 第36-37页 |
| 第4章 人工蜂群算法的改进策略 | 第37-45页 |
| 4.1 ABC算法的改进策略 | 第37-39页 |
| 4.1.1 初始解的改进 | 第37页 |
| 4.1.2 选择策略的改进 | 第37-38页 |
| 4.1.3 解更新公式的改进 | 第38页 |
| 4.1.4 与其它算法相结合 | 第38-39页 |
| 4.2 具体改进过程 | 第39-41页 |
| 4.3 仿真实验分析 | 第41-44页 |
| 4.4 结论 | 第44-45页 |
| 第5章 可变种群规模的人工蜂群算法 | 第45-57页 |
| 5.1 改进的ABC算法 | 第45页 |
| 5.2 算法框架 | 第45-48页 |
| 5.3 算法性能分析 | 第48-51页 |
| 5.4 实验 | 第51-56页 |
| 5.4.1 函数 | 第51-52页 |
| 5.4.2 函数 | 第52页 |
| 5.4.3 函数 | 第52-53页 |
| 5.4.4 函数 | 第53-54页 |
| 5.4.5 函数 | 第54-55页 |
| 5.4.6 函数 | 第55页 |
| 5.4.7 函数 | 第55-56页 |
| 5.5 结论 | 第56-57页 |
| 第6章 总结与展望 | 第57-58页 |
| 6.1 全文总结 | 第57页 |
| 6.2 工作展望 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间发表的学术论文 | 第65-66页 |
| 攻读学位期间参加的研究工作 | 第66-67页 |
