| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·研究背景 | 第8页 |
| ·基本蚁群算法的描述 | 第8-11页 |
| ·信息素 | 第8页 |
| ·蚁群行为描述 | 第8-9页 |
| ·人工蚁群与真实蚁群对比分析 | 第9-10页 |
| ·蚁群优化的特点 | 第10-11页 |
| ·蚁群算法的国内外研究现状 | 第11-12页 |
| ·本文的主要研究目的和工作安排 | 第12-14页 |
| ·课题研究的基本思路 | 第12页 |
| ·本文的主要内容 | 第12-14页 |
| 第二章 基本蚁群算法及群智能优化算法 | 第14-24页 |
| ·基本蚁群算法的原理 | 第14页 |
| ·TSP 问题描述 | 第14页 |
| ·基本蚁群算法的三种典型数学模型 | 第14-17页 |
| ·蚂蚁系统 | 第14-16页 |
| ·基本蚁群算法的实现步骤 | 第16页 |
| ·基本蚁群算法的程序结构流程 | 第16-17页 |
| ·基本蚁群算法复杂度分析 | 第17-18页 |
| ·时间复杂度 | 第17-18页 |
| ·空间复杂度 | 第18页 |
| ·群智能优化算法的研究 | 第18-19页 |
| ·遗传算法 | 第19-20页 |
| ·遗传算法的基本流程 | 第20页 |
| ·粒子群算法 | 第20-22页 |
| ·PSO 基本模型 | 第21-22页 |
| ·粒子群算法的实现步骤 | 第22页 |
| ·本章小结 | 第22-24页 |
| 第三章 改进蚁群算法及其在 TSP 问题上的应用 | 第24-34页 |
| ·引言 | 第24页 |
| ·相关背景 | 第24-26页 |
| ·TSP 问题 | 第24页 |
| ·基本蚁群算法参数分析 | 第24-25页 |
| ·基本遗传算法 | 第25-26页 |
| ·遗传算法的基本运行参数 | 第26页 |
| ·融合算法的设计 | 第26-30页 |
| ·遗传算法的设置 | 第26-27页 |
| ·蚁群算法的改进 | 第27-29页 |
| ·改进蚁群遗传混合算法实现 | 第29-30页 |
| ·改进蚁群算法的实例运算及性能分析 | 第30-32页 |
| ·本章小结 | 第32-34页 |
| 第四章 改进蚁群算法在连续空间优化中的应用 | 第34-42页 |
| ·引言 | 第34页 |
| ·最优化问题 | 第34-35页 |
| ·蚁群算法求解连续函数的几种思路 | 第35页 |
| ·优化算法改进 | 第35-36页 |
| ·量子行为粒子群算法 | 第35-36页 |
| ·量子行为粒子群混合蚁群算法的基本原理 | 第36页 |
| ·智能优化混合策略基本思想 | 第36-38页 |
| ·标准蚁群算法的改进 | 第36-37页 |
| ·混合算法 QPSO-ACA-HA | 第37-38页 |
| ·算法的实例检验与分析 | 第38-41页 |
| ·算法性能测试分析 | 第38-41页 |
| ·本章小结 | 第41-42页 |
| 第五章 混合群智能蚁群算法在 SVM 参数优化中的应用 | 第42-52页 |
| ·支持向量机算法 | 第42-45页 |
| ·支持向量机及其训练 | 第42-45页 |
| ·支持向量机的优点 | 第45页 |
| ·支持向量机的参数 | 第45页 |
| ·运用 QPSO-ACA-HA 优化 SVM 参数的基本思路 | 第45-47页 |
| ·QPSO-ACA-HA 优化 SVM 的方法 | 第46-47页 |
| ·谷氨酸发酵过程简介 | 第47-50页 |
| ·建立基于 SVM 的谷氨酸发酵过程模型的建立 | 第47-48页 |
| ·仿真结果 | 第48-50页 |
| ·本章小结 | 第50-52页 |
| 第六章 总结与展望 | 第52-54页 |
| ·论文工作总结 | 第52-53页 |
| ·展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第58页 |