5.6.3 模型建立 184
5.6.4 模型求解 184
5.7 *大流问题 186
5.7.1 问题描述 186
5.7.2 问题分析 186
5.7.3 模型建立 187
5.7.4 模型求解 187
5.8 *小费用*大流问题 188
5.8.1 问题描述 189
5.8.2 问题分析 189
5.8.3 模型建立 189
5.8.4 模型求解 189
5.9 *小生成树问题 191
5.9.1 问题描述 191
5.9.2 问题分析 192
5.9.3 模型建立 193
5.9.4 模型求解 193
5.10 旅行商问题 194
5.10.1 问题描述 195
5.10.2 问题分析 196
5.10.3 模型建立 196
5.10.4 模型求解 197
5.11 交巡警服务平台的合理调度研究 199
5.11.1 问题描述 200
5.11.2 问题分析 200
5.11.3 符号说明 201
5.11.4 模型一的建立与求解 201
5.11.5 模型二的建立及求解 203
习题5 204
第6 章　统计分析方法
6.1 一元线性回归分析 206
6.1.1 一元线性回归模型的一般形式 206
6.1.2 回归参数β0,β1 的*小二乘估计 207
6.1.3 回归模型的检验 208
6.1.4 回归模型的预测 210
6.1.5 案例分析 211
6.2 多元线性回归分析 214
6.2.1 多元线性回归模型的一般形式 214
6.2.2 多元线性回归模型的参数估计 215
6.2.3 多元线性回归模型的检验 216
6.2.4 多元线性回归模型的预测 220
6.2.5 案例分析 220
6.3 常用曲线估计与一般非线性曲线回归 225
6.3.1 常用曲线估计类型及线性化方法 225
6.3.2 案例分析 226
6.3.3 非线性曲线估计回归的基本原理 230
6.3.4 案例分析 230
6.4 聚类分析 234
6.4.1 聚类分析的原理及分析步骤 234
6.4.2 相似性度量 235
6.4.3 系统聚类法 238
6.4.4 快速聚类法 239
6.4.5 案例分析 240
6.5 判别分析 250
6.5.1 判别分析基本理论 250
6.5.2 案例分析 252
6.6 因子分析 259
6.6.1 因子分析模型 260
6.6.2 因子载荷的求解、因子旋转、因子得分 261
6.6.3 案例分析 263
习题6 269
第7 章　现代优化方法
7.1 遗传算法简介 275
7.1.1 基本概念 276
7.1.2 算法定义 276
7.1.3 算法特点 276
7.1.4 术语说明 277
7.1.5 发展现状介绍 277
7.1.6 一般算法 278
7.1.7 运算过程 279
7.1.8 终止条件 281
7.1.9 应用领域 281
7.1.10 基本框架 281
7.1.11 实例研究 282
7.2 粒子群算法 284
7.2.1 基本粒子群算法 284
7.2.2 带惯性权重的粒子群算法 285
7.2.3 带收缩因子的粒子群算法 286
7.2.4 改进的粒子群算法 286
7.2.5 粒子群算法的应用 289
7.3 蒙特卡罗算法 291
7.3.1 基本概述 291
7.3.2 基本思想 291
7.3.3 应用领域 292
7.3.4 工作过程 292
7.3.5 模拟计算 292
7.3.6 发展运用 292
7.3.7 一般步骤 293
7.3.8 实例研究 293
7.4 神经网络 295
7.4.1 基本介绍 295
7.4.2 基本特征 295
7.4.3 特点和优越性 296
7.4.4 发展历史 296
7.4.5 基本结构 297
7.4.6 应用实例——BP神经网络模型 297
7.4.7 分析方法 304
7.5 模拟退火算法 304
7.5.1 算法的发展过程和应用及发展前景 305
7.5.2 模拟退火模型 306
7.5.3 案例分析 307
7.5.4 模拟退火算法及过程 308
习题7 311
参考文献信息

 2/2   首页 上一页 1 2

教材 研究生/本科/专科教材

在线阅读