人工蜂群算法的改进方法与收敛性理论的研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-16页 |
| ·课题研究的目的和意义 | 第11-12页 |
| ·本文的研究内容和主要成果 | 第12-14页 |
| ·本文的组织结构 | 第14-16页 |
| 第二章 人工蜂群算法的研究现状 | 第16-26页 |
| ·人工蜂群算法的生物学背景 | 第16-18页 |
| ·人工蜂群算法的数学描述及模型建立 | 第18-21页 |
| ·人工蜂群算法的理论研究进展 | 第21-24页 |
| ·人工蜂群算法的应用领域 | 第24页 |
| ·人工蜂群算法存在的问题 | 第24-26页 |
| 第三章 人工蜂群算法实现步骤及时间复杂度分析 | 第26-30页 |
| ·引言 | 第26-27页 |
| ·人工蜂群算法基本实现步骤 | 第27-29页 |
| ·初始化 | 第27页 |
| ·采蜜蜂阶段 | 第27-28页 |
| ·观察蜂阶段 | 第28页 |
| ·侦察蜂阶段 | 第28-29页 |
| ·人工蜂群算法的时间复杂度分析 | 第29-30页 |
| 第四章 基于交叉突变的人工蜂群算法 | 第30-40页 |
| ·引言 | 第30-31页 |
| ·基于交叉突变的人工蜂群算法 | 第31-33页 |
| ·仿真实验及结果分析 | 第33-39页 |
| ·本章小结 | 第39-40页 |
| 第五章 具有双重认知能力的人工蜂群算法 | 第40-49页 |
| ·引言 | 第40-41页 |
| ·基于双重认知策略的人工蜂群算法 | 第41-43页 |
| ·仿真实例及结果分析 | 第43-47页 |
| ·测试函数及参数设置 | 第45页 |
| ·实验结果及分析 | 第45-47页 |
| ·本章小结 | 第47-49页 |
| 第六章 融合差分进化思想的人工蜂群算法 | 第49-63页 |
| ·引言 | 第49-50页 |
| ·差分进化算法 | 第50-56页 |
| ·差分进化算法简述 | 第50-51页 |
| ·差分进化算法的优化步骤 | 第51-52页 |
| ·差分进化算法中的参数设置 | 第52-54页 |
| ·差分进化算法的变体 | 第54-56页 |
| ·差分进化与人工蜂群算法的融合 | 第56-57页 |
| ·实验结果与分析 | 第57-63页 |
| 第七章 人工蜂群算法在聚类中的应用研究 | 第63-77页 |
| ·聚类过程分析 | 第63-64页 |
| ·相似性度量方法和评价函数 | 第64-66页 |
| ·相似性度量方法 | 第64-65页 |
| ·评价函数 | 第65-66页 |
| ·聚类算法概述 | 第66-69页 |
| ·K-means聚类算法中的群智能优化 | 第69-70页 |
| ·K-means算法的主要问题 | 第69-70页 |
| ·K-means算法中的群智能优化技术 | 第70页 |
| ·基于改进人工蜂群算法的K-means聚类分析 | 第70-77页 |
| ·基于改进人工蜂群算法的K-means算法 | 第71-73页 |
| ·测试数据集 | 第73-74页 |
| ·试验结果和性能评价 | 第74-77页 |
| 第八章 人工蜂群算法的收敛性分析 | 第77-81页 |
| ·引言 | 第77页 |
| ·人工蜂群算法的Markov链模型 | 第77-79页 |
| ·人工蜂群算法的收敛性分析 | 第79-81页 |
| 第九章 总结与展望 | 第81-84页 |
| ·研究工作总结 | 第81-82页 |
| ·未来研究工作展望 | 第82-84页 |
| 参考文献 | 第84-91页 |
| 致谢 | 第91-92页 |
| 作者攻读博士学位期间参与科研项目及发表论文情况 | 第92-93页 |
