群智能蝙蝠算法的研究及應(yīng)用

第1章    緒論1
1.1    引言1
1.2    群智能優(yōu)化算法4
1.3    蝙蝠算法7
1.4    蝙蝠算法的國內(nèi)外研究現(xiàn)狀11
1.5    蝙蝠算法有待進(jìn)一步研究的問題15
第2章    蝙蝠算法的收斂性及穩(wěn)定性分析17
2.1    基于動態(tài)系統(tǒng)方法的BA收斂性及穩(wěn)定性分析17
2.2    基于隨機(jī)過程方法的BA收斂性分析32
2.3    本章小結(jié)38
第3章    提升收斂性能的改進(jìn)蝙蝠算法40
3.1    基于隨機(jī)慣性權(quán)重學(xué)習(xí)機(jī)制的改進(jìn)40
3.2    基于時(shí)變慣性權(quán)重學(xué)習(xí)機(jī)制的改進(jìn)45
3.3    本章小結(jié)54
第4章    融合自適應(yīng)多普勒策略及動態(tài)權(quán)重
優(yōu)化策略的蝙蝠算法55
4.1    SDDW-BA描述55
4.2    SDDW-BA的收斂性分析60
4.3    SDDW-BA的時(shí)間復(fù)雜度分析61
4.4    數(shù)值實(shí)驗(yàn)與結(jié)果分析63
4.5    本章小結(jié)77
第5章    具有量子行為的蝙蝠算法78
5.1    量子行為BA（QBA）78
5.2    QBA的收斂性分析84
5.3    QBA核心參數(shù)的控制分析87
5.4    基于能量函數(shù)及跳躍變異機(jī)制的QBA（EFJM-QBA）99
5.5    自適應(yīng)預(yù)判變異及頻率優(yōu)化協(xié)同作用的QBA（APMQ-QBA）109
5.6    本章小結(jié)132
第6章    改進(jìn)蝙蝠算法的應(yīng)用133
6.1    SDDW-BA在多閾值圖像分割中的應(yīng)用133
6.2    APMQ-QBA在脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像分割中的應(yīng)用158
6.3    本章小結(jié)176
參考文獻(xiàn)177