| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 符号说明 | 第12-13页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 引言 | 第13-15页 |
| 1.2 人工蜂群算法国内外研究现状综述 | 第15-16页 |
| 1.3 课题研究的意义和目的 | 第16-18页 |
| 1.4 论文主要研究内容和章节安排 | 第18-20页 |
| 第二章 基于人工蜂群算法的波达方向估计 | 第20-27页 |
| 2.1 人工蜂群算法基本理论 | 第20-22页 |
| 2.2 基于人工蜂群算法的波达方向估计 | 第22-26页 |
| 2.2.1 波达方向估计问题的数学模型及相关定义 | 第22-24页 |
| 2.2.2 人工蜂群算法进行波达方向估计的算法流程 | 第24页 |
| 2.2.3 实验仿真及结果分析 | 第24-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 人工蜂群算法求解典型优化问题 | 第27-42页 |
| 3.1 人工蜂群算法求解约束优化问题 | 第27-31页 |
| 3.1.1 约束优化问题数学模型及相关定义 | 第28页 |
| 3.1.2 ABC求解约束优化问题的算法模型及流程 | 第28-30页 |
| 3.1.3 实验仿真及结果分析 | 第30-31页 |
| 3.2 人工蜂群算法求解多目标优化问题 | 第31-41页 |
| 3.2.1 多目标优化问题的数学模型及相关定义 | 第31-33页 |
| 3.2.2 多目标进化算法的性能评价指标 | 第33-35页 |
| 3.2.3 ABC求解多目标优化问题算法流程 | 第35-37页 |
| 3.2.4 实验仿真及结果分析 | 第37-41页 |
| 3.3 本章小结 | 第41-42页 |
| 第四章 基于广义反向学习策略改进的人工蜂群算法 | 第42-49页 |
| 4.1 反向学习策略基本理论 | 第42-43页 |
| 4.1.1 基本反向学习策略 | 第42页 |
| 4.1.2 广义的反向学习策略 | 第42-43页 |
| 4.2 基于广义反向学习策略改进的ABC算法流程 | 第43-45页 |
| 4.3 实验仿真及结果分析 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 基于阿基米德copula分布估计改进的人工蜂群算法 | 第49-65页 |
| 5.1 Archimedean Copula分布估计算法理论 | 第49-54页 |
| 5.1.1 Copula分布估计算法 | 第50-52页 |
| 5.1.2 阿基米德copula分布估计算法 | 第52-54页 |
| 5.2 基于阿基米德Copula分布估计改进的ABC算法 | 第54-57页 |
| 5.2.1 改进的观察蜂机制 | 第54-55页 |
| 5.2.2 其他改进机制 | 第55-56页 |
| 5.2.3 阿基米德copula分布估计人工蜂群算法流程 | 第56-57页 |
| 5.3 实验仿真及结果分析 | 第57-64页 |
| 5.3.1 标准测试函数 | 第57-58页 |
| 5.3.2 实验选取最佳参数 | 第58-59页 |
| 5.3.3 性能比较与结果分析 | 第59-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 工作总结 | 第65-66页 |
| 6.2 工作展望 | 第66-67页 |
| 参考文献 | 第67-75页 |
| 致谢 | 第75-76页 |
| 攻读硕士研究生期间研究成果 | 第76-77页 |
| 附件 | 第77页 |
