舉報 
會員
智能計算：原理與實踐
最新章節：
封底
本書面向人工智能學科的前沿領域，系統地討論了智能計算的原理與實現，比較全面地反映了智能計算研究和應用的最新進展。書中涵蓋了支持向量機、混沌計算、蟻群算法、DNA計算、DNA遺傳算法、人工免疫系統、螢火蟲算法、蝙蝠算法、蛙跳算法、魚群算法和其他一些算法及應用。全書提供了大量的實用案例，重點強調實際的應用和計算工具，這些對于智能計算領域的進一步發展是非常有意義的。本書取材新穎、內容系統、深入淺出、材料豐富，理論密切結合實際，具有較高的學術水平和參考價值。本書可作為人工智能、信息與通信工程、儀器科學與技術、計算機科學與技術等相關領域的科研人員及工程技術人員的參考書，也可作為研究生和高年級本科生開闊視野、增長知識的閱讀材料。
最新章節
- 封底
- 參考文獻
- 9.6.3 仿真實驗與結果分析
- 9.6.2 基于鯰魚群優化的雙曲線正切誤差函數盲均衡算法流程
- 9.6.1 雙曲正切誤差變步長盲均衡算法
- 9.6 實例9-3：基于鯰魚群優化的雙曲正切誤差函數盲均衡算法
品牌：機械工業出版社
上架時間：2022-12-14 19:01:15
出版社：機械工業出版社
本書數字版權由機械工業出版社提供，并由其授權上海閱文信息技術有限公司制作發行
- 封底 更新時間：2022-12-14 19:26:35
- 參考文獻
- 9.6.3 仿真實驗與結果分析
- 9.6.2 基于鯰魚群優化的雙曲線正切誤差函數盲均衡算法流程
- 9.6.1 雙曲正切誤差變步長盲均衡算法
- 9.6 實例9-3：基于鯰魚群優化的雙曲正切誤差函數盲均衡算法
- 9.5.5 仿真實驗與結果分析
- 9.5.4 變鄰域搜索策略
- 9.5.3 改進鯨魚群優化算法求解FJSP
- 9.5.2 鯨魚群優化算法基本架構
- 9.5.1 柔性作業車間調度問題
- 9.5 實例9-2：基于鯨魚群優化算法的柔性作業車間調度方法
- 9.4.3 仿真實驗與結果分析
- 9.4.2 遺傳混沌人工魚群優化DNA序列的頻域加權多模盲均衡算法
- 9.4.1 頻域加權多模盲均衡算法
- 9.4 實例9-1：遺傳混沌人工魚群優化DNA序列的頻域加權多模均衡算法
- 9.3.4 混沌鯰魚粒子群優化算法
- 9.3.3 鯰魚效應粒子群優化算法的收斂性分析
- 9.3.2 鯰魚效應粒子群優化算法的流程
- 9.3.1 鯰魚粒子群優化算法的原理
- 9.3 鯰魚粒子群優化算法
- 9.2.4 混合策略改進的鯨魚群優化算法
- 9.2.3 離散鯨魚群優化算法
- 9.2.2 混沌權重和精英引導的鯨魚群優化算法
- 9.2.1 基本鯨魚群優化算法
- 9.2 鯨魚群優化算法
- 9.1.4 基于DNA遺傳優化的混沌人工魚群算法
- 9.1.3 DNA遺傳人工魚群算法
- 9.1.2 基于人工魚群優化的DNA序列算法
- 9.1.1 基本人工魚群算法
- 9.1 人工魚群算法
- 第9章 魚群算法
- 8.7.3 仿真實驗與結果分析
- 8.7.2 基于SFLA的光伏陣列參數辨識
- 8.7.1 光伏陣列數學模型
- 8.7 基于混合蛙跳算法的光伏陣列參數辨識方法
- 8.6.4 仿真實驗與結果分析
- 8.6.3 基于新型DNA遺傳蛙跳算法優化的MIMO多模盲均衡算法
- 8.6.2 MIMO系統多模盲均衡算法
- 8.6.1 MIMO系統模型
- 8.6 實例8-1：新型DNA遺傳蛙跳算法優化的MIMO多模盲均衡算法
- 8.5.3 基于DNA編碼的多種群遺傳混合蛙跳算法原理
- 8.5.2 基于DNA編碼的多種群循環遺傳算法
- 8.5.1 多種群循環遺傳混合蛙跳算法
- 8.5 基于DNA編碼的多種群循環遺傳混合蛙跳算法
- 8.4.3 遺傳混合蛙跳算法實現流程
- 8.4.2 具有交叉和自然選擇操作的混合蛙跳算法的全局搜索策略
- 8.4.1 具有變異操作的混合蛙跳算法的局部搜索策略
- 8.4 遺傳混合蛙跳算法
- 8.3.2 混合蛙跳算法的局部搜索策略
- 8.3.1 混合蛙跳算法的全局搜索策略
- 8.3 混合蛙跳算法的搜索策略
- 8.2.4 混合蛙跳算法的特點
- 8.2.3 混合蛙跳算法參數
- 8.2.2 混合蛙跳算法流程
- 8.2.1 混合蛙跳算法模型
- 8.2 混合蛙跳算法的原理
- 8.1.3 混合進化算法
- 8.1.2 粒子群算法
- 8.1.1 模因算法基本原理
- 8.1 混合蛙跳算法的理論基礎
- 第8章 混合蛙跳算法
- 7.6.4 仿真實驗與結果分析
- 7.6.3 雙蝙蝠群智能優化MMA初始權向量
- 7.6.2 雙蝙蝠群智能優化多模盲均衡算法
- 7.6.1 多模盲均衡算法
- 7.6 實例7-2：基于雙蝙蝠群智能優化的多模盲均衡算法
- 7.5.3 仿真實驗與結果分析
- 7.5.2 DNA遺傳蝙蝠算法優化分數間隔多模盲均衡算法
- 7.5.1 分數間隔多模盲均衡算法
- 7.5 實例7-1：基于DNA遺傳蝙蝠算法的分數間隔多模盲均衡算法
- 7.4 DNA遺傳蝙蝠算法
- 7.3.3 評價指標
- 7.3.2 混合蝙蝠算法原理
- 7.3.1 和聲搜索算法與差分進化算法
- 7.3 混合蝙蝠算法
- 7.2.4 變異處理
- 7.2.3 蝙蝠狀態更新
- 7.2.2 解空間變換
- 7.2.1 初始種群的產生
- 7.2 量子蝙蝠算法
- 7.1.7 模式與參數選取
- 7.1.6 蝙蝠算法收斂性分析
- 7.1.5 變異的蝙蝠算法
- 7.1.4 蝙蝠算法的特點
- 7.1.3 蝙蝠運動
- 7.1.2 基本蝙蝠算法原理
- 7.1.1 微型蝙蝠回聲定位
- 7.1 基本蝙蝠算法
- 第7章 蝙蝠算法
- 6.7.3 仿真實驗與結果分析
- 6.7.2 基于新型DNA遺傳螢火蟲優化的二維圖像小波盲恢復算法
- 6.7.1 基于新型DNA遺傳螢火蟲優化的二維盲均衡算法
- 6.7 實例6-2：基于新型DNA遺傳螢火蟲優化的二維圖像小波盲恢復算法
- 6.6.3 仿真實驗與結果分析
- 6.6.2 基于CMFA-Tsallis熵的醫學圖像分割
- 6.6.1 二維Tsallis熵閾值法
- 6.6 實例6-1：基于云螢火蟲算法改進二維Tsallis熵的醫學圖像分割算法
- 6.5.2 新型DNA遺傳螢火蟲算法
- 6.5.1 基本DNA遺傳螢火蟲算法
- 6.5 基于DNA遺傳的螢火蟲優化算法
- 6.4.3 算法原理
- 6.4.2 改進螢火蟲吸引度和擾動方式
- 6.4.1 傳統K均值聚類與反向學習策略
- 6.4 基于精英反向學習的K均值螢火蟲算法
- 6.3.2 云螢火蟲算法原理
- 6.3.1 云模型
- 6.3 云螢火蟲算法
- 6.2.2 基于利維飛行和變異算子的螢火蟲算法
- 6.2.1 利維飛行和變異算子
- 6.2 基于利維飛行和變異算子的螢火蟲算法
- 6.1.2 螢火蟲算法的參數及其優化
- 6.1.1 螢火蟲的行為描述
- 6.1 標準螢火蟲算法
- 第6章 螢火蟲算法
- 5.6.2 仿真實驗與結果分析
- 5.6.1 算法原理
- 5.6 實例5-2：基于形態空間人工免疫調節網絡的正交小波常數模算法
- 5.5.2 仿真實驗與結果分析
- 5.5.1 算法流程
- 5.5 實例5-1：基于Opt-aiNet的正交小波盲均衡算法
- 5.4.3 基于形態空間的人工免疫調節網絡算法
- 5.4.2 字條模型與形態空間模型
- 5.4.1 獨特型網絡調節學說
- 5.4 形態空間人工免疫調節網絡
- 5.3.2 小生境人工免疫網絡
- 5.3.1 小生境技術的實現方法
- 5.3 小生境人工免疫網絡系統
- 5.2 Opt-aiNet算法
- 5.1.3 人工免疫系統與其他智能方法的異同
- 5.1.2 人工免疫系統模型
- 5.1.1 人工免疫系統仿生機理
- 5.1 人工免疫系統
- 第5章 人工免疫系統
- 4.6.3 仿真實驗與結果分析
- 4.6.2 基于DNA遺傳算法的負荷優化模型編碼實現流程
- 4.6.1 表面貼裝生產線負荷優化模型
- 4.6 實例4-2：基于DNA遺傳算法的表面貼裝生產線負荷優化分配方法
- 4.5.3 仿真實驗與結果分析
- 4.5.2 算法實現流程
- 4.5.1 算法原理
- 4.5 實例4-1：基于DNA遺傳算法優化的常數模盲均衡算法
- 4.4.3 DNA遺傳算法實現流程
- 4.4.2 DNA遺傳算法的主要操作算子
- 4.4.1 DNA遺傳算法的基本概念
- 4.4 DNA遺傳算法
- 4.3.2 自適應遺傳算法
- 4.3.1 遺傳算法原理
- 4.3 遺傳算法
- 4.2.4 基于蟻群算法的DNA編碼
- 4.2.3 線性編碼
- 4.2.2 編碼方法
- 4.2.1 編碼問題及其影響因素
- 4.2 DNA編碼問題
- 4.1.3 DNA計算的基本操作
- 4.1.2 DNA計算的基本流程
- 4.1.1 DNA計算的生物學基礎
- 4.1 DNA計算
- 第4章 DNA計算與遺傳算法
- 3.6.3 仿真實驗與結果分析
- 3.6.2 基于混合蟻群算法的分層調度
- 3.6.1 半導體生產線爐管區問題模型
- 3.6 實例3-3：基于混合蟻群算法的半導體生產線爐管區調度方法
- 3.5.4 仿真實驗與結果分析
- 3.5.3 基于蟻群優化算法的正交小波包變換常數模盲均衡算法
- 3.5.2 基于正交小波包變換的常數模盲均衡算法
- 3.5.1 正交小波包變換基本理論
- 3.5 實例3-2：基于蟻群優化算法的正交小波包變換常數模盲均衡算法
- 3.4.3 仿真實驗與結果分析
- 3.4.2 算法實現流程
- 3.4.1 算法原理
- 3.4 實例3-1：基于蟻群優化算法的常數模盲均衡算法
- 3.3.2 蟻群算法收斂性
- 3.3.1 簡單蟻群算法
- 3.3 蟻群算法收斂性分析
- 3.2.7 其他改進系統
- 3.2.6 混合行為蟻群算法
- 3.2.5 自適應分組蟻群算法
- 3.2.4 并行蟻群系統
- 3.2.3 蟻群系統
- 3.2.2 精英策略螞蟻系統
- 3.2.1 最大-最小螞蟻系統
- 3.2 改進螞蟻系統
- 3.1.5 蟻群優化算法的特點
- 3.1.4 基本蟻群算法實現流程
- 3.1.3 基本蟻群算法的數學模型
- 3.1.2 基本蟻群算法的基本假設
- 3.1.1 蟻群行為描述
- 3.1 基本蟻群算法
- 第3章 蟻群優化算法
- 2.6.3 仿真實驗與結果分析
- 2.6.2 基于混沌通信系統的正交小波變換盲均衡算法
- 2.6.1 混沌通信系統
- 2.6 實例2-3：基于混沌通信系統的正交小波變換盲均衡算法
- 2.5.4 仿真實驗與結果分析
- 2.5.3 基于混沌支持向量機優化的正交小波加權多模盲均衡算法
- 2.5.2 支持向量機技術
- 2.5.1 加權多模盲均衡算法
- 2.5 實例2-2：基于混沌支持向量機優化的小波加權多模盲均衡算法
- 2.4.2 仿真實驗與結果分析
- 2.4.1 混沌優化正交小波常數模盲均衡算法
- 2.4 實例2-1：基于混沌優化的正交小波常數模盲均衡算法
- 2.3 混沌優化算法
- 2.2.2 常見的混沌映射序列
- 2.2.1 混沌映射的特點
- 2.2 混沌序列的基本特點
- 2.1.2 混沌運動的隨機性特征
- 2.1.1 非線性動力學系統中的混沌
- 2.1 混沌理論基礎
- 第2章 混沌計算
- 1.5.2 仿真實驗與結果分析
- 1.5.1 基于U-支持向量機的正交小波盲均衡算法
- 1.5 實例1-2：基于U-支持向量機的正交小波盲均衡算法
- 1.4.4 仿真實驗與結果分析
- 1.4.3 改進支持向量機正交小波盲均衡算法
- 1.4.2 正交小波常數模盲均衡算法
- 1.4.1 小波變換
- 1.4 實例1-1：基于改進支持向量機的正交小波盲均衡算法
- 1.3 核函數
- 1.2.2 支持向量機回歸問題
- 1.2.1 支持向量機分類問題
- 1.2 支持向量機原理
- 1.1.5 結構風險最小化原則
- 1.1.4 機器學習的復雜度及其推廣能力
- 1.1.3 VC維理論
- 1.1.2 經驗風險最小化原則
- 1.1.1 機器學習問題的基本框架
- 1.1 支持向量機的理論基礎
- 第1章 支持向量機
- 前言
- 作者簡介
- 版權頁
- 封面
- 封面
- 版權頁
- 作者簡介
- 前言
- 第1章 支持向量機
- 1.1 支持向量機的理論基礎
- 1.1.1 機器學習問題的基本框架
- 1.1.2 經驗風險最小化原則
- 1.1.3 VC維理論
- 1.1.4 機器學習的復雜度及其推廣能力
- 1.1.5 結構風險最小化原則
- 1.2 支持向量機原理
- 1.2.1 支持向量機分類問題
- 1.2.2 支持向量機回歸問題
- 1.3 核函數
- 1.4 實例1-1：基于改進支持向量機的正交小波盲均衡算法
- 1.4.1 小波變換
- 1.4.2 正交小波常數模盲均衡算法
- 1.4.3 改進支持向量機正交小波盲均衡算法
- 1.4.4 仿真實驗與結果分析
- 1.5 實例1-2：基于U-支持向量機的正交小波盲均衡算法
- 1.5.1 基于U-支持向量機的正交小波盲均衡算法
- 1.5.2 仿真實驗與結果分析
- 第2章 混沌計算
- 2.1 混沌理論基礎
- 2.1.1 非線性動力學系統中的混沌
- 2.1.2 混沌運動的隨機性特征
- 2.2 混沌序列的基本特點
- 2.2.1 混沌映射的特點
- 2.2.2 常見的混沌映射序列
- 2.3 混沌優化算法
- 2.4 實例2-1：基于混沌優化的正交小波常數模盲均衡算法
- 2.4.1 混沌優化正交小波常數模盲均衡算法
- 2.4.2 仿真實驗與結果分析
- 2.5 實例2-2：基于混沌支持向量機優化的小波加權多模盲均衡算法
- 2.5.1 加權多模盲均衡算法
- 2.5.2 支持向量機技術
- 2.5.3 基于混沌支持向量機優化的正交小波加權多模盲均衡算法
- 2.5.4 仿真實驗與結果分析
- 2.6 實例2-3：基于混沌通信系統的正交小波變換盲均衡算法
- 2.6.1 混沌通信系統
- 2.6.2 基于混沌通信系統的正交小波變換盲均衡算法
- 2.6.3 仿真實驗與結果分析
- 第3章 蟻群優化算法
- 3.1 基本蟻群算法
- 3.1.1 蟻群行為描述
- 3.1.2 基本蟻群算法的基本假設
- 3.1.3 基本蟻群算法的數學模型
- 3.1.4 基本蟻群算法實現流程
- 3.1.5 蟻群優化算法的特點
- 3.2 改進螞蟻系統
- 3.2.1 最大-最小螞蟻系統
- 3.2.2 精英策略螞蟻系統
- 3.2.3 蟻群系統
- 3.2.4 并行蟻群系統
- 3.2.5 自適應分組蟻群算法
- 3.2.6 混合行為蟻群算法
- 3.2.7 其他改進系統
- 3.3 蟻群算法收斂性分析
- 3.3.1 簡單蟻群算法
- 3.3.2 蟻群算法收斂性
- 3.4 實例3-1：基于蟻群優化算法的常數模盲均衡算法
- 3.4.1 算法原理
- 3.4.2 算法實現流程
- 3.4.3 仿真實驗與結果分析
- 3.5 實例3-2：基于蟻群優化算法的正交小波包變換常數模盲均衡算法
- 3.5.1 正交小波包變換基本理論
- 3.5.2 基于正交小波包變換的常數模盲均衡算法
- 3.5.3 基于蟻群優化算法的正交小波包變換常數模盲均衡算法
- 3.5.4 仿真實驗與結果分析
- 3.6 實例3-3：基于混合蟻群算法的半導體生產線爐管區調度方法
- 3.6.1 半導體生產線爐管區問題模型
- 3.6.2 基于混合蟻群算法的分層調度
- 3.6.3 仿真實驗與結果分析
- 第4章 DNA計算與遺傳算法
- 4.1 DNA計算
- 4.1.1 DNA計算的生物學基礎
- 4.1.2 DNA計算的基本流程
- 4.1.3 DNA計算的基本操作
- 4.2 DNA編碼問題
- 4.2.1 編碼問題及其影響因素
- 4.2.2 編碼方法
- 4.2.3 線性編碼
- 4.2.4 基于蟻群算法的DNA編碼
- 4.3 遺傳算法
- 4.3.1 遺傳算法原理
- 4.3.2 自適應遺傳算法
- 4.4 DNA遺傳算法
- 4.4.1 DNA遺傳算法的基本概念
- 4.4.2 DNA遺傳算法的主要操作算子
- 4.4.3 DNA遺傳算法實現流程
- 4.5 實例4-1：基于DNA遺傳算法優化的常數模盲均衡算法
- 4.5.1 算法原理
- 4.5.2 算法實現流程
- 4.5.3 仿真實驗與結果分析
- 4.6 實例4-2：基于DNA遺傳算法的表面貼裝生產線負荷優化分配方法
- 4.6.1 表面貼裝生產線負荷優化模型
- 4.6.2 基于DNA遺傳算法的負荷優化模型編碼實現流程
- 4.6.3 仿真實驗與結果分析
- 第5章 人工免疫系統
- 5.1 人工免疫系統
- 5.1.1 人工免疫系統仿生機理
- 5.1.2 人工免疫系統模型
- 5.1.3 人工免疫系統與其他智能方法的異同
- 5.2 Opt-aiNet算法
- 5.3 小生境人工免疫網絡系統
- 5.3.1 小生境技術的實現方法
- 5.3.2 小生境人工免疫網絡
- 5.4 形態空間人工免疫調節網絡
- 5.4.1 獨特型網絡調節學說
- 5.4.2 字條模型與形態空間模型
- 5.4.3 基于形態空間的人工免疫調節網絡算法
- 5.5 實例5-1：基于Opt-aiNet的正交小波盲均衡算法
- 5.5.1 算法流程
- 5.5.2 仿真實驗與結果分析
- 5.6 實例5-2：基于形態空間人工免疫調節網絡的正交小波常數模算法
- 5.6.1 算法原理
- 5.6.2 仿真實驗與結果分析
- 第6章 螢火蟲算法
- 6.1 標準螢火蟲算法
- 6.1.1 螢火蟲的行為描述
- 6.1.2 螢火蟲算法的參數及其優化
- 6.2 基于利維飛行和變異算子的螢火蟲算法
- 6.2.1 利維飛行和變異算子
- 6.2.2 基于利維飛行和變異算子的螢火蟲算法
- 6.3 云螢火蟲算法
- 6.3.1 云模型
- 6.3.2 云螢火蟲算法原理
- 6.4 基于精英反向學習的K均值螢火蟲算法
- 6.4.1 傳統K均值聚類與反向學習策略
- 6.4.2 改進螢火蟲吸引度和擾動方式
- 6.4.3 算法原理
- 6.5 基于DNA遺傳的螢火蟲優化算法
- 6.5.1 基本DNA遺傳螢火蟲算法
- 6.5.2 新型DNA遺傳螢火蟲算法
- 6.6 實例6-1：基于云螢火蟲算法改進二維Tsallis熵的醫學圖像分割算法
- 6.6.1 二維Tsallis熵閾值法
- 6.6.2 基于CMFA-Tsallis熵的醫學圖像分割
- 6.6.3 仿真實驗與結果分析
- 6.7 實例6-2：基于新型DNA遺傳螢火蟲優化的二維圖像小波盲恢復算法
- 6.7.1 基于新型DNA遺傳螢火蟲優化的二維盲均衡算法
- 6.7.2 基于新型DNA遺傳螢火蟲優化的二維圖像小波盲恢復算法
- 6.7.3 仿真實驗與結果分析
- 第7章 蝙蝠算法
- 7.1 基本蝙蝠算法
- 7.1.1 微型蝙蝠回聲定位
- 7.1.2 基本蝙蝠算法原理
- 7.1.3 蝙蝠運動
- 7.1.4 蝙蝠算法的特點
- 7.1.5 變異的蝙蝠算法
- 7.1.6 蝙蝠算法收斂性分析
- 7.1.7 模式與參數選取
- 7.2 量子蝙蝠算法
- 7.2.1 初始種群的產生
- 7.2.2 解空間變換
- 7.2.3 蝙蝠狀態更新
- 7.2.4 變異處理
- 7.3 混合蝙蝠算法
- 7.3.1 和聲搜索算法與差分進化算法
- 7.3.2 混合蝙蝠算法原理
- 7.3.3 評價指標
- 7.4 DNA遺傳蝙蝠算法
- 7.5 實例7-1：基于DNA遺傳蝙蝠算法的分數間隔多模盲均衡算法
- 7.5.1 分數間隔多模盲均衡算法
- 7.5.2 DNA遺傳蝙蝠算法優化分數間隔多模盲均衡算法
- 7.5.3 仿真實驗與結果分析
- 7.6 實例7-2：基于雙蝙蝠群智能優化的多模盲均衡算法
- 7.6.1 多模盲均衡算法
- 7.6.2 雙蝙蝠群智能優化多模盲均衡算法
- 7.6.3 雙蝙蝠群智能優化MMA初始權向量
- 7.6.4 仿真實驗與結果分析
- 第8章 混合蛙跳算法
- 8.1 混合蛙跳算法的理論基礎
- 8.1.1 模因算法基本原理
- 8.1.2 粒子群算法
- 8.1.3 混合進化算法
- 8.2 混合蛙跳算法的原理
- 8.2.1 混合蛙跳算法模型
- 8.2.2 混合蛙跳算法流程
- 8.2.3 混合蛙跳算法參數
- 8.2.4 混合蛙跳算法的特點
- 8.3 混合蛙跳算法的搜索策略
- 8.3.1 混合蛙跳算法的全局搜索策略
- 8.3.2 混合蛙跳算法的局部搜索策略
- 8.4 遺傳混合蛙跳算法
- 8.4.1 具有變異操作的混合蛙跳算法的局部搜索策略
- 8.4.2 具有交叉和自然選擇操作的混合蛙跳算法的全局搜索策略
- 8.4.3 遺傳混合蛙跳算法實現流程
- 8.5 基于DNA編碼的多種群循環遺傳混合蛙跳算法
- 8.5.1 多種群循環遺傳混合蛙跳算法
- 8.5.2 基于DNA編碼的多種群循環遺傳算法
- 8.5.3 基于DNA編碼的多種群遺傳混合蛙跳算法原理
- 8.6 實例8-1：新型DNA遺傳蛙跳算法優化的MIMO多模盲均衡算法
- 8.6.1 MIMO系統模型
- 8.6.2 MIMO系統多模盲均衡算法
- 8.6.3 基于新型DNA遺傳蛙跳算法優化的MIMO多模盲均衡算法
- 8.6.4 仿真實驗與結果分析
- 8.7 基于混合蛙跳算法的光伏陣列參數辨識方法
- 8.7.1 光伏陣列數學模型
- 8.7.2 基于SFLA的光伏陣列參數辨識
- 8.7.3 仿真實驗與結果分析
- 第9章 魚群算法
- 9.1 人工魚群算法
- 9.1.1 基本人工魚群算法
- 9.1.2 基于人工魚群優化的DNA序列算法
- 9.1.3 DNA遺傳人工魚群算法
- 9.1.4 基于DNA遺傳優化的混沌人工魚群算法
- 9.2 鯨魚群優化算法
- 9.2.1 基本鯨魚群優化算法
- 9.2.2 混沌權重和精英引導的鯨魚群優化算法
- 9.2.3 離散鯨魚群優化算法
- 9.2.4 混合策略改進的鯨魚群優化算法
- 9.3 鯰魚粒子群優化算法
- 9.3.1 鯰魚粒子群優化算法的原理
- 9.3.2 鯰魚效應粒子群優化算法的流程
- 9.3.3 鯰魚效應粒子群優化算法的收斂性分析
- 9.3.4 混沌鯰魚粒子群優化算法
- 9.4 實例9-1：遺傳混沌人工魚群優化DNA序列的頻域加權多模均衡算法
- 9.4.1 頻域加權多模盲均衡算法
- 9.4.2 遺傳混沌人工魚群優化DNA序列的頻域加權多模盲均衡算法
- 9.4.3 仿真實驗與結果分析
- 9.5 實例9-2：基于鯨魚群優化算法的柔性作業車間調度方法
- 9.5.1 柔性作業車間調度問題
- 9.5.2 鯨魚群優化算法基本架構
- 9.5.3 改進鯨魚群優化算法求解FJSP
- 9.5.4 變鄰域搜索策略
- 9.5.5 仿真實驗與結果分析
- 9.6 實例9-3：基于鯰魚群優化的雙曲正切誤差函數盲均衡算法
- 9.6.1 雙曲正切誤差變步長盲均衡算法
- 9.6.2 基于鯰魚群優化的雙曲線正切誤差函數盲均衡算法流程
- 9.6.3 仿真實驗與結果分析
- 參考文獻
- 封底 更新時間：2022-12-14 19:26:35
