群體智能優(yōu)化算法是模擬自然生物種群智能行為的優(yōu)化方法，具有良好的尋優(yōu)性能，因此群體智能算法在求解大規(guī)模復(fù)雜問(wèn)題時(shí)，具有較高的效率。本書在群體智能的基礎(chǔ)上，針對(duì)智能優(yōu)化算法、聚類算法、復(fù)雜網(wǎng)絡(luò)和樸素貝葉斯分類進(jìn)行理論研究和應(yīng)用研究。
目錄
叢書序
前言
第1章 緒論 1
1.1 研究背景 1
1.2 研究目的 3
1.3 研究意義 6
1.4 本書章節(jié)安排 9
參考文獻(xiàn) 10
第2章 國(guó)內(nèi)外研究現(xiàn)狀 12
2.1 群體智能優(yōu)化算法發(fā)展現(xiàn)狀 12
2.2 聚類技術(shù)在數(shù)據(jù)挖掘領(lǐng)域的研究現(xiàn)狀 16
2.3 多目標(biāo)優(yōu)化方法及其在供應(yīng)鏈優(yōu)化領(lǐng)域的應(yīng)用現(xiàn)狀 18
2.4 本章小結(jié) 20
參考文獻(xiàn) 21
第3章 群體智能相關(guān)理論研究 26
3.1 智能優(yōu)化算法 26
3.2 聚類算法 28
3.3 復(fù)雜網(wǎng)絡(luò) 29
3.4 樸素貝葉斯分類 30
3.5 本章小結(jié) 31
參考文獻(xiàn) 31
第4章 基于人工蜂群優(yōu)化的密度峰值聚類 34
4.1 引言 34
4.2 密度峰值聚類算法的改進(jìn) 35
4.2.1 計(jì)算數(shù)據(jù)點(diǎn)的密度及生成決策圖 37
4.2.2 執(zhí)行初始聚類 38
4.2.3 識(shí)別類簇間數(shù)據(jù)點(diǎn) 39
4.2.4 初選類簇間數(shù)據(jù)點(diǎn)的類簇標(biāo)號(hào) 40
4.2.5 判定類簇間數(shù)據(jù)點(diǎn)的類簇標(biāo)號(hào) 41
4.2.6 完成聚類 44
4.3 實(shí)驗(yàn)結(jié)果 44
4.3.1 類簇間數(shù)據(jù)點(diǎn)的自動(dòng)識(shí)別 44
4.3.2 任意形狀數(shù)據(jù)集的類簇中心點(diǎn)和類簇?cái)?shù)目的自動(dòng)識(shí)別 48
4.3.3 不同形狀和大小的數(shù)據(jù)集的有效聚合 49
4.3.4 分類效果評(píng)價(jià) 51
4.4 結(jié)果分析 52
4.5 本章小結(jié) 54
參考文獻(xiàn) 54
第5章 基于人工蜂群優(yōu)化的密度峰值聚類算法的應(yīng)用 56
5.1 引言 56
5.2 數(shù)據(jù)來(lái)源及預(yù)處理 57
5.3 基于人工蜂群的密度峰值聚類算法 59
5.4 聚類結(jié)果分析 60
5.5 本章小結(jié) 61
參考文獻(xiàn) 62
第6章 基于復(fù)雜網(wǎng)路和樸素貝葉斯分類的人工蜂群算法 63
6.1 引言 63
6.2 模型建立 66
6.2.1 問(wèn)題描述 66
6.2.2 解的表達(dá) 69
6.3 基于復(fù)雜網(wǎng)絡(luò)的人工蜂群算法 71
6.4 基于復(fù)雜網(wǎng)絡(luò)和樸素貝葉斯分類的人工蜂群算法的實(shí)現(xiàn) 73
6.5 推土機(jī)制造企業(yè)的供應(yīng)鏈網(wǎng)絡(luò)優(yōu)化 74
6.5.1 全局最優(yōu)解集的搜索能力 80
6.5.2 搜索全局最優(yōu)解集的速度 89
6.6 算法結(jié)果分析 91
6.7 本章小結(jié) 93
參考文獻(xiàn) 93
新書資訊