反馈文件质量
upload/woz9ts_duxiu/读秀5.0/1/新建文件夹等多个文件/4499/人工智能前沿技术丛书量子计算智能_14794760.pdf
人工智能前沿技术丛书量子计算智能_14794760.pdf 🔍
Pdg2Pic
PDF · 63.2MB · 📗 未知类型的图书 · 🚀/upload · Save
备用文件名
upload/duxiu_main/v/pdf/人工智能前沿技术丛书量子计算智能_14794760.pdf
元数据中的注释
producers:
FreePic2Pdf_Lib - v3.02
元数据中的注释
Bookmarks: p1 (p1): 第1章 进化计算
p1-1 (p1): 1.1 进化计算概述
p1-1-1 (p4): 1.1.1 基本原理
p1-1-2 (p7): 1.1.2 进化计算的一般框架
p1-1-3 (p8): 1.1.3 进化计算研究现状
p1-1-4 (p10): 1.1.4 进化计算典型算法
p1-2 (p13): 1.2 人工免疫系统
p1-2-1 (p14): 1.2.1 基本原理
p1-2-2 (p17): 1.2.2 人工免疫系统研究现状
p1-3 (p20): 本章参考文献
p2 (p25): 第2章 群体智能算法
p2-1 (p25): 2.1 群体智能概述
p2-2 (p27): 2.2 蚁群优化算法
p2-2-1 (p27): 2.2.1 基本原理
p2-2-2 (p28): 2.2.2 蚁群算法理论研究现状
p2-2-3 (p29): 2.2.3 蚁群算法应用研究现状
p2-3 (p30): 2.3 粒子群优化算法
p2-3-1 (p31): 2.3.1 基本原理
p2-3-2 (p32): 2.3.2 粒子群算法的理论研究现状
p2-3-3 (p34): 2.3.3 粒子群算法的应用研究现状
p2-4 (p34): 本章参考文献
p3 (p42): 第3章 量子进化计算
p3-1 (p42): 3.1 量子进化计算
p3-1-1 (p43): 3.1.1 基本概念
p3-1-2 (p44): 3.1.2 量子进化算法
p3-2 (p52): 3.2 量子克隆进化计算
p3-2-1 (p53): 3.2.1 基本概念
p3-2-2 (p54): 3.2.2 量子克隆进化算法
p3-2-3 (p57): 3.2.3 量子克隆进化算法的结构框架
p3-2-4 (p59): 3.2.4 量子克隆进化算法的收敛性
p3-2-5 (p61): 3.2.5 量子克隆进化算法仿真
p3-2-6 (p66): 3.2.6 量子克隆进化算法的并行实现
p3-3 (p67): 3.3 量子免疫克隆多目标优化算法
p3-3-1 (p67): 3.3.1 多目标优化
p3-3-2 (p73): 3.3.2 量子免疫克隆多目标优化算法
p3-3-3 (p76): 3.3.3 算法分析
p3-3-4 (p78): 3.3.4 实验结果及分析
p3-4 (p92): 3.4 结论与讨论
p3-5 (p92): 本章参考文献
p4 (p96): 第4章 量子粒子群优化
p4-1 (p96): 4.1 量子粒子群算法基础
p4-1-1 (p96): 4.1.1 量子粒子群优化算法
p4-1-2 (p98): 4.1.2 量子粒子群优化算法的改进算法
p4-2 (p100): 4.2 基于协作学习的单目标量子粒子群优化
p4-2-1 (p100): 4.2.1 协作学习策略
p4-2-2 (p103): 4.2.2 基于协作学习策略的量子粒子群算法框架及实现
p4-2-3 (p105): 4.2.3 实验结果及分析
p4-3 (p118): 4.3 基于记忆策略的动态单目标量子粒子群优化
p4-3-1 (p119): 4.3.1 动态优化环境下的记忆策略
p4-3-2 (p120): 4.3.2 基于记忆策略的动态单目标量子粒子群算法框架实现
p4-3-3 (p124): 4.3.3 实验结果及分析
p4-4 (p131): 4.4 基于MapReduce的量子行为的粒子群优化算法
p4-4-1 (p131): 4.4.1 量子行为的粒子群优化算法
p4-4-2 (p132): 4.4.2 MRQPSO算法
p4-4-3 (p135): 4.4.3 实验结果及分析
p4-5 (p140): 4.5 结论与讨论
p4-6 (p140): 本章参考文献
p5 (p145): 第5章 基于量子智能优化的数据聚类
p5-1 (p145): 5.1 基于核熵成分分析的量子聚类算法
p5-1-1 (p145): 5.1.1 量子聚类算法
p5-1-2 (p147): 5.1.2 基于核熵成分分析的量子聚类算法
p5-1-3 (p153): 5.1.3 实验结果及分析
p5-2 (p165): 5.2 基于量子粒子群的软子空间聚类算法
p5-2-1 (p166): 5.2.1 QPSO算法
p5-2-2 (p168): 5.2.2 QPSOSC算法
p5-2-3 (p171): 5.2.3 实验结果及分析
p5-3 (p178): 5.3 结论与讨论
p5-4 (p179): 本章参考文献
p6 (p181): 第6章 基于量子智能优化的数据分类
p6-1 (p181): 6.1 基于量子粒子群的最近邻原型数据分类
p6-1-1 (p181): 6.1.1 数据分类方法简介
p6-1-2 (p185): 6.1.2 K近邻分类概述
p6-1-3 (p187): 6.1.3 基于量子粒子群的最近邻原型的数据分类
p6-1-4 (p189): 6.1.4 实验结果及分析
p6-2 (p196): 6.2 改进的量子粒子群的最近邻原型数据分类
p6-2-1 (p196): 6.2.1 基于多次塌陷-正交交叉量子粒子群的最近邻原型算法的数据分类
p6-2-2 (p198): 6.2.2 实验结果及分析
p6-3 (p206): 6.3 结论与讨论
p6-4 (p206): 本章参考文献
p7 (p208): 第7章 基于量子智能优化的网络学习
p7-1 (p208): 7.1 基于量子进化算法的超参数优化
p7-1-1 (p208): 7.1.1 常用的机器学习模型
p7-1-2 (p213): 7.1.2 常用的优化算法
p7-1-3 (p220): 7.1.3 基于单个体量子遗传算法的超参数优化
p7-1-4 (p223): 7.1.4 实验设计及结果分析
p7-2 (p227): 7.2 基于量子多目标的稀疏受限玻尔兹曼机学习算法
p7-2-1 (p227): 7.2.1 引言
p7-2-2 (p227): 7.2.2 相关理论背景
p7-2-3 (p234): 7.2.3 基于量子多目标的稀疏受限玻尔兹曼机学习算法
p7-2-4 (p238): 7.2.4 基于量子多目标优化的稀疏深度信念网络
p7-2-5 (p238): 7.2.5 实验结果及分析
p7-3 (p245): 7.3 基于量子蚁群优化算法的复杂网络社区检测
p7-3-1 (p245): 7.3.1 引言
p7-3-2 (p246): 7.3.2 基于量子蚁群优化算法的社区结构检测算法
p7-3-3 (p252): 7.3.3 实验结果及分析
p7-4 (p264): 7.4 讨论与结论
p7-5 (p265): 本章参考文献
p8 (p273): 第8章 基于量子智能优化的应用
p8-1 (p273): 8.1 基于文化进化机制和多观测策略的多目标量子粒子群调度优化算法
p8-1-1 (p273): 8.1.1 引言
p8-1-2 (p274): 8.1.2 EED问题模型
p8-1-3 (p275): 8.1.3 基于文化进化机制和多观测策略的多目标量子粒子群算法框架及实现
p8-1-4 (p281): 8.1.4 基于CMOQPSO的环境/经济调度优化
p8-1-5 (p282): 8.1.5 实验结果及分析
p8-2 (p295): 8.2 基于量子多目标进化聚类算法的图像分割
p8-2-1 (p295): 8.2.1 基于量子多目标进化聚类算法的图像分割
p8-2-2 (p299): 8.2.2 实验结果及分析
p8-3 (p308): 8.3 基于多背景变量协同量子粒子群优化及医学图像分割
p8-3-1 (p308): 8.3.1 背景变量概述
p8-3-2 (p308): 8.3.2 多背景变量协同量子粒子群算法
p8-3-3 (p312): 8.3.3 基于多背景协同量子粒子群算法的图像分割
p8-4 (p316): 8.4 讨论与结论
p8-5 (p316): 本章参考文献
开源日期
2024-06-27
更多信息……

🚀 快速下载

成为会员以支持书籍、论文等的长期保存。为了感谢您对我们的支持，您将获得高速下载权益。❤️
如果您在本月捐款，您将获得双倍的快速下载次数。

🐢 低速下载

由可信的合作方提供。 更多信息请参见常见问题解答。 （可能需要验证浏览器——无限次下载！）

所有选项下载的文件都相同，应该可以安全使用。即使这样，从互联网下载文件时始终要小心。例如，确保您的设备更新及时。
显示外部下载
  • 对于大文件，我们建议使用下载管理器以防止中断。
    推荐的下载管理器：JDownloader
  • 您将需要一个电子书或 PDF 阅读器来打开文件，具体取决于文件格式。
    推荐的电子书阅读器：Anna的档案在线查看器、ReadEra和Calibre
  • 使用在线工具进行格式转换。
    推荐的转换工具：CloudConvert和PrintFriendly
  • 您可以将 PDF 和 EPUB 文件发送到您的 Kindle 或 Kobo 电子阅读器。
    推荐的工具：亚马逊的“发送到 Kindle”和djazz 的“发送到 Kobo/Kindle”
  • 支持作者和图书馆
    ✍️ 如果您喜欢这个并且能够负担得起，请考虑购买原版，或直接支持作者。
    📚 如果您当地的图书馆有这本书，请考虑在那里免费借阅。