• 
  群体智能算法改进...
  ￥69.52元
• 
  网络购物节中消费...
  ￥69.52元
• 
  局部搜索算法及其...
  ￥69.52元
• 
  大数据时代移动商...
  ￥69.52元

群体智能算法是模拟自然生物种群智能行为的优化方法，具有良好的寻优性能，因此群体智能算法在求解大规模复杂问题时具有较高的效率。本书在群体智能的基础上，针对智能优化算法、聚类算法、复杂网络和朴素贝叶斯分类进行理论研究和应用研究。本书重点研究群体智能算法中的人工蜂群算法理论改进和应用研究，提出基于人工蜂群的密度峰值聚类算法，并将其应用到民营上市公司的聚类分析中。另外，本书还提出基于复杂网络和朴素贝叶斯分类的人工蜂群算法，使用复杂网络理论，降低供应链网络结构的复杂度；引入朴素贝叶斯分类，大幅度地加快算法的寻优速度，并将其应用于供应链网络优化决策中，都取得了令人满意的结果。

样章试读

• 暂时还没有任何用户评论

总计 0 个记录，共 1 页。 第一页 上一页 下一页 最末页

全部咨询(共0条问答)

• 暂时还没有任何用户咨询内容

总计 0 个记录，共 1 页。 第一页 上一页 下一页 最末页

用户名：	匿名用户
E-mail：
咨询内容：

• 目录
  丛书序
  前言
  第1章 绪论 1
  1.1 研究背景 1
  1.2 研究目的 3
  1.3 研究意义 6
  1.4 本书章节安排 9
  参考文献 10
  第2章 国内外研究现状 12
  2.1 群体智能优化算法发展现状 12
  2.2 聚类技术在数据挖掘领域的研究现状 16
  2.3 多目标优化方法及其在供应链优化领域的应用现状 18
  2.4 本章小结 20
  参考文献 21
  第3章 群体智能相关理论研究 26
  3.1 智能优化算法 26
  3.2 聚类算法 28
  3.3 复杂网络 29
  3.4 朴素贝叶斯分类 30
  3.5 本章小结 31
  参考文献 31
  第4章 基于人工蜂群优化的密度峰值聚类 34
  4.1 引言 34
  4.2 密度峰值聚类算法的改进 35
  4.2.1 计算数据点的密度及生成决策图 37
  4.2.2 执行初始聚类 38
  4.2.3 识别类簇间数据点 39
  4.2.4 初选类簇间数据点的类簇标号 40
  4.2.5 判定类簇间数据点的类簇标号 41
  4.2.6 完成聚类 44
  4.3 实验结果 44
  4.3.1 类簇间数据点的自动识别 44
  4.3.2 任意形状数据集的类簇中心点和类簇数目的自动识别 48
  4.3.3 不同形状和大小的数据集的有效聚合 49
  4.3.4 分类效果评价 51
  4.4 结果分析 52
  4.5 本章小结 54
  参考文献 54
  第5章 基于人工蜂群优化的密度峰值聚类算法的应用 56
  5.1 引言 56
  5.2 数据来源及预处理 57
  5.3 基于人工蜂群的密度峰值聚类算法 59
  5.4 聚类结果分析 60
  5.5 本章小结 61
  参考文献 62
  第6章 基于复杂网路和朴素贝叶斯分类的人工蜂群算法 63
  6.1 引言 63
  6.2 模型建立 66
  6.2.1 问题描述 66
  6.2.2 解的表达 69
  6.3 基于复杂网络的人工蜂群算法 71
  6.4 基于复杂网络和朴素贝叶斯分类的人工蜂群算法的实现 73
  6.5 推土机制造企业的供应链网络优化 74
  6.5.1 全局最优解集的搜索能力 80
  6.5.2 搜索全局最优解集的速度 89
  6.6 算法结果分析 91
  6.7 本章小结 93
  参考文献 93