經(jīng)過近20年的發(fā)展,蟻群算法已經(jīng)被應(yīng)用于無約束離散組合優(yōu)化問題、無約束連續(xù)函數(shù)優(yōu)化問題和聚類問題。但是,到目前為止它還存在以下四方面的缺陷：第一,當(dāng)解決無約束的離散組合優(yōu)化問題——貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)時,它的計(jì)算復(fù)雜度過高,運(yùn)行時間過慢：第二,蟻群算法求解無約束連續(xù)函數(shù)優(yōu)化問題的效果不佳；第三,蟻群算法求解約束連續(xù)函數(shù)優(yōu)化問題的效果不佳；第四,蟻群算法作為一種新型聚類算法針對多個經(jīng)典benchmarks數(shù)據(jù)集,聚類效果欠佳。 為了克服蟻群算法以上四個方面的缺陷,本文主要進(jìn)行了如下改進(jìn)。 第一,針對經(jīng)典無約束組合優(yōu)化問題——貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的特點(diǎn),提出了約束蟻群算法。新算法利用BDEu得分的局部一致性原理設(shè)計(jì)了一種增邊規(guī)則,并且將此規(guī)則引入蟻群算法的框架中,從而實(shí)現(xiàn)了在搜索過程中利用啟發(fā)式信息動態(tài)縮減搜索空間同時減少運(yùn)行時間的目的。仿真實(shí)驗(yàn)結(jié)果表明,在解決較大規(guī)模的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)問題時,約束蟻群優(yōu)化算法在保證求解精度的條件下比蟻群優(yōu)化算法運(yùn)行時間減少40%以上。此外,在約束蟻群算法基礎(chǔ)上,設(shè)計(jì)了一種新穎的約束蟻群貝葉斯分類器,并將其應(yīng)用于房地產(chǎn)投資項(xiàng)目前期的風(fēng)險預(yù)測問... 

【文章頁數(shù)】：107 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
目錄
圖目錄
表目錄
第1章 緒論
    1.1 研究背景
    1.2 蟻群算法研究現(xiàn)狀
        1.2.1 蟻群算法在組合優(yōu)化的研究現(xiàn)狀
        1.2.2 蟻群算法在無約束連續(xù)函數(shù)優(yōu)化的研究現(xiàn)狀
        1.2.3 蟻群聚類算法的研究現(xiàn)狀
    1.3 主要研究內(nèi)容及創(chuàng)新點(diǎn)
        1.3.1 研究內(nèi)容
        1.3.2 創(chuàng)新點(diǎn)
    1.4 論文的組織結(jié)構(gòu)
第2章 約束蟻群算法
    2.1 引言
    2.2 BNs的BDEu及特性
        2.2.1 BDEu的可分解形式
        2.2.2 BDEu的局部一致性
    2.3 CACOB
        2.3.1 CACOB的4個基本操作
        2.3.2 CACOB的偽碼
        2.3.3 CACOB的特點(diǎn)
        2.3.4 CACOB的時間復(fù)雜度
    2.4 CACOB算法實(shí)驗(yàn)結(jié)果及討論
        2.4.1 評價網(wǎng)絡(luò)及評價指標(biāo)
        2.4.2 CACOB和ACOB的參數(shù)設(shè)置
        2.4.3 CACOB和ACOB的3個指標(biāo)的實(shí)驗(yàn)比較及討論
        2.4.4 CACOB與ACOB的n_(NSC)與f_(BDEu)的相關(guān)性分析
        2.4.5 CACOB算法參數(shù)q_0和t_(step)的敏感性分析
    2.5 基于CACOB算法的分類器
        2.5.1 原理
        2.5.2 仿真實(shí)驗(yàn)
        2.5.3 討論
        2.5.4 CACOB分類器在房地產(chǎn)項(xiàng)目前期風(fēng)險預(yù)測的應(yīng)用
    2.6 本章小結(jié)
第3章 自適應(yīng)蜂群-蟻群算法
    3.1 引言
    3.2 ACOR算法
        3.2.1 概率密度函數(shù)
        3.2.2 ACOR算法的信息素
        3.2.3 ACOR算法的框架
    3.3 自適應(yīng)ACOR算法
        3.3.1 ACOR算法的缺陷
        3.3.2 自適應(yīng)ACOR算法的基本思想
        3.3.3 自適應(yīng)ACOB算法的高層框架
        3.3.4 自適應(yīng)ACOR算法的細(xì)節(jié)解釋
    3.4 實(shí)驗(yàn)及討論
        3.4.1 測試函數(shù)選擇
        3.4.2 算法參數(shù)設(shè)置
        3.4.3 實(shí)驗(yàn)結(jié)果
        3.4.4 討論
    3.5 本章小結(jié)
第4章 基于狀態(tài)轉(zhuǎn)移準(zhǔn)則的差分進(jìn)化算法
    4.1 引言
    4.2 基于狀態(tài)轉(zhuǎn)移準(zhǔn)則的差分進(jìn)化算法
        4.2.1 多成員機(jī)制
        4.2.2 基于狀態(tài)轉(zhuǎn)移準(zhǔn)則的分散機(jī)制
        4.2.3 偽碼
        4.2.4 兩算法的區(qū)別
        4.2.5 時間復(fù)雜度
    4.3 實(shí)驗(yàn)及討論
        4.3.1 參數(shù)設(shè)置
        4.3.2 實(shí)驗(yàn)結(jié)果及比較
        4.3.3 參數(shù)敏感性分析
    4.4 結(jié)論
第5章 核蟻群聚類算法及在房地產(chǎn)項(xiàng)目前期風(fēng)險評價的應(yīng)用
    5.1 引言
    5.2 核蟻群聚類算法
        5.2.1 聚類問題
        5.2.2 核函數(shù)
        5.2.3 核蟻群聚類算法
    5.3 實(shí)驗(yàn)及討論
        5.3.1 Benchmarks和試驗(yàn)設(shè)置
        5.3.2 聚類錯誤計(jì)算
        5.3.3 實(shí)驗(yàn)結(jié)果
    5.4 核蟻群聚類算法在房地產(chǎn)項(xiàng)目前期風(fēng)險評價的應(yīng)用
        5.4.1 數(shù)據(jù)描述
        5.4.2 核蟻群聚類算法進(jìn)行評價
    5.5 本章小結(jié)
第6章 結(jié)論和展望
    6.1 結(jié)論
    6.2 展望
參考文獻(xiàn)
攻讀博士期間發(fā)表論文和科研項(xiàng)目情況
致謝



本文編號：3723375