| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 国外对人工鱼群算法的研究现状 | 第9-11页 |
| 1.2.2 国内对人工鱼群算法的研究现状 | 第11-12页 |
| 1.3 论文的主要研究内容 | 第12页 |
| 1.4 论文的组织结构 | 第12-14页 |
| 第二章 人工鱼群算法相关理论 | 第14-21页 |
| 2.1 基本人工鱼群算法 | 第14-16页 |
| 2.1.1 算法思想 | 第14页 |
| 2.1.2 基本人工鱼行为 | 第14-15页 |
| 2.1.3 算法描述 | 第15页 |
| 2.1.4 基本人工鱼群算法流程图 | 第15-16页 |
| 2.2 自适应视野和步长的人工鱼群算法 | 第16-17页 |
| 2.2.1 IAFSA算法思想 | 第16-17页 |
| 2.2.2 IAFSA算法描述 | 第17页 |
| 2.2.3 IAFSA算法流程图 | 第17页 |
| 2.3 基于膜计算的人工鱼群算法 | 第17-19页 |
| 2.3.1 MCAFSA算法思想 | 第18页 |
| 2.3.2 MCAFSA算法描述 | 第18-19页 |
| 2.3.3 MCAFSA算法流程图 | 第19页 |
| 2.4 本章小结 | 第19-21页 |
| 第三章 反向自适应高斯变异的人工鱼群算法 | 第21-36页 |
| 3.1 引言 | 第21页 |
| 3.2 可行解相对质量评价 | 第21页 |
| 3.3 基于反向策略的鱼群行为改进 | 第21-23页 |
| 3.3.1 反向解 | 第21-22页 |
| 3.3.2 改进的觅食行为 | 第22页 |
| 3.3.3 改进的聚群行为 | 第22页 |
| 3.3.4 改进的追尾行为 | 第22-23页 |
| 3.3.5 改进的随机行为 | 第23页 |
| 3.4 自适应视野和步长策略 | 第23页 |
| 3.5 最优解引导的高斯变异机制 | 第23-24页 |
| 3.6 OAGMAFSA算法描述 | 第24页 |
| 3.7 OAGMAFSA算法流程图 | 第24-25页 |
| 3.8 实验与分析 | 第25-35页 |
| 3.8.1 测试函数 | 第25-26页 |
| 3.8.2 算子贡献度对比分析 | 第26-27页 |
| 3.8.3 算法对比分析 | 第27-35页 |
| 3.9 本章小结 | 第35-36页 |
| 第四章 精英学习的多维动态自适应人工鱼群算法 | 第36-52页 |
| 4.1 引言 | 第36页 |
| 4.2 基于多维度动态自适应策略的鱼群行为改进 | 第36-38页 |
| 4.2.1 视野向量 | 第36-37页 |
| 4.2.2 步长矩阵 | 第37页 |
| 4.2.3 多维度邻域 | 第37页 |
| 4.2.4 鱼群行为改进 | 第37-38页 |
| 4.3 人工鱼精英学习策略 | 第38-39页 |
| 4.4 EMAAFSA算法描述 | 第39-40页 |
| 4.5 EMAAFSA算法流程图 | 第40-41页 |
| 4.6 实验与分析 | 第41-51页 |
| 4.6.1 测试函数 | 第41页 |
| 4.6.2 参数分析 | 第41-42页 |
| 4.6.3 算法对比分析 | 第42-51页 |
| 4.7 本章小结 | 第51-52页 |
| 第五章 人工鱼群算法在物流配送中心选址中的应用 | 第52-59页 |
| 5.1 引言 | 第52页 |
| 5.2 选址问题描述 | 第52-53页 |
| 5.2.1 相关定义 | 第52页 |
| 5.2.2 优化目标 | 第52-53页 |
| 5.3 OAGMAFSA和EMAAFSA在物流配送中心选址中的实现 | 第53页 |
| 5.3.1 人工鱼编码方式 | 第53页 |
| 5.3.2 实现步骤 | 第53页 |
| 5.4 仿真实验与分析 | 第53-58页 |
| 5.4.1 实验设计 | 第53-54页 |
| 5.4.2 结果分析 | 第54-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 论文总结 | 第59页 |
| 6.2 论文主要创新点 | 第59-60页 |
| 6.3 未来工作展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第66页 |