基于蜂群算法与聚类的多机器人探索优化研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1.绪论 | 第9-16页 |
| 1.1 课题研究的背景和意义 | 第9-11页 |
| 1.1.1 课题研究的背景 | 第9-10页 |
| 1.1.2 课题研究的意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 区域覆盖算法研究现状 | 第11-12页 |
| 1.2.2 聚类分析算法研究现状 | 第12-13页 |
| 1.2.3 人工蜂群算法研究现状 | 第13-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 2.问题描述与基本算法概述 | 第16-26页 |
| 2.1 问题描述与建模 | 第16-18页 |
| 2.2 K-means聚类算法概述 | 第18-20页 |
| 2.3 人工蜂群算法原理 | 第20-25页 |
| 2.3.1 蜂群采蜜工作机制 | 第20-22页 |
| 2.3.2 人工蜂群算法模型 | 第22-24页 |
| 2.3.3 人工蜂群算法的改进分析 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3.基于改进ABC算法优化的聚类算法 | 第26-34页 |
| 3.1 ABC算法的改进 | 第26-29页 |
| 3.1.1 ABC算法改进设计 | 第26-27页 |
| 3.1.2 基于标准测试函数的IABC算法测试 | 第27-29页 |
| 3.2 IABC算法优化K-means聚类 | 第29-33页 |
| 3.2.1 IABC-K-means算法设计 | 第29-32页 |
| 3.2.2 测试实验数据 | 第32页 |
| 3.2.3 实验结果对比 | 第32-33页 |
| 3.3 本章小结 | 第33-34页 |
| 4.基于改进ABC算法的指派问题求解 | 第34-43页 |
| 4.1 指派问题简介 | 第34-35页 |
| 4.2 IABC算法解空间编码设计 | 第35-37页 |
| 4.3 IABC算法解的更新策略 | 第37-38页 |
| 4.4 IABC算法的适应度函数设计 | 第38页 |
| 4.5 基于指派算例的IABC测试 | 第38-42页 |
| 4.5.1 指派算例实验一 | 第39-40页 |
| 4.5.2 指派算例实验二 | 第40-41页 |
| 4.5.3 结果分析与结论 | 第41-42页 |
| 4.6 本章小结 | 第42-43页 |
| 5.基于多目标人工蜂群算法的多目标指派求解 | 第43-52页 |
| 5.1 多目标优化问题 | 第43-44页 |
| 5.1.1 多目标问题及模型 | 第43页 |
| 5.1.2 多目标优化相关概念 | 第43-44页 |
| 5.2 多目标人工蜂群算法 | 第44-47页 |
| 5.2.1 MOABC算法改进与步骤 | 第44-46页 |
| 5.2.2 基于测试函数的MOABC算法测试 | 第46-47页 |
| 5.3 多目标指派的实算研究 | 第47-51页 |
| 5.3.1 探索区域的最优划分 | 第48-49页 |
| 5.3.2 两目标指派优化 | 第49-50页 |
| 5.3.3 最优Pareto折中解的选择策略 | 第50-51页 |
| 5.4 本章小结 | 第51-52页 |
| 6.总结与展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 附录：硕士研究生学习阶段发表论文 | 第59-60页 |
| 致谢 | 第60页 |
