| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第9-21页 |
| 1.1 课题研究背景和意义 | 第9-11页 |
| 1.2 课题相关国内外研究现状 | 第11-18页 |
| 1.3 主要研究内容 | 第18-19页 |
| 1.4 论文组织结构 | 第19-21页 |
| 第2章 相关理论基础 | 第21-27页 |
| 2.1 聚类分析概述 | 第21-23页 |
| 2.1.1 基本概念 | 第21页 |
| 2.1.2 聚类算法分类 | 第21-23页 |
| 2.2 聚类有效性评估 | 第23页 |
| 2.3 群体智能和粒子群优化 | 第23-24页 |
| 2.4 复杂网络社团检测 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 一种动态确定最佳聚类数的聚类有效性评估方法 | 第27-48页 |
| 3.1 引言 | 第27-29页 |
| 3.2 现有聚类有效性指标描述与分析 | 第29-31页 |
| 3.3 基于平方和度量和欧氏距离的聚类有效性指标 | 第31-36页 |
| 3.3.1 相关定义 | 第31-34页 |
| 3.3.2 距离平方和差值比的计算 | 第34-35页 |
| 3.3.3 基于距离平方和差值比的最佳聚类数确定算法 | 第35-36页 |
| 3.4 实验结果与分析 | 第36-47页 |
| 3.4.1 实验数据集 | 第37-39页 |
| 3.4.2 人工数据集实验 | 第39-41页 |
| 3.4.3 真实数据集实验 | 第41-46页 |
| 3.4.4 指标比较分析 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 基于PSO和K均值的改进混合聚类 | 第48-63页 |
| 4.1 引言 | 第48页 |
| 4.2 K均值聚类算法 | 第48-50页 |
| 4.2.1 算法原理 | 第48-49页 |
| 4.2.2 算法特点 | 第49-50页 |
| 4.3 粒子群优化算法（PSO） | 第50-51页 |
| 4.4 基于PSO和K均值的改进聚类算法 | 第51-55页 |
| 4.4.1 数据预处理 | 第51-52页 |
| 4.4.2 粒子编码方案和适应度函数 | 第52-53页 |
| 4.4.3 KIPSO算法描述 | 第53-55页 |
| 4.5 实验结果与分析 | 第55-62页 |
| 4.5.1 实验数据集 | 第55-57页 |
| 4.5.2 实验结果 | 第57-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第5章 基于进化策略的离散粒子群复杂网络社团检测 | 第63-81页 |
| 5.1 引言 | 第63页 |
| 5.2 基于进化策略的离散粒子群社团检测算法 | 第63-72页 |
| 5.2.1 问题描述 | 第63-64页 |
| 5.2.2 粒子编码方式与初始化 | 第64-65页 |
| 5.2.3 粒子进化模型 | 第65-67页 |
| 5.2.4 适应度函数 | 第67-68页 |
| 5.2.5 避免局部收敛的进化策略 | 第68-70页 |
| 5.2.5.1 混合惯性权重调整策略 | 第68-69页 |
| 5.2.5.2 自适应变异策略 | 第69-70页 |
| 5.2.6 粒子位置标准化 | 第70-72页 |
| 5.3 实验结果与分析 | 第72-79页 |
| 5.3.1 性能指标 | 第72-73页 |
| 5.3.2 人工基准网络数据集实验 | 第73-74页 |
| 5.3.3 真实网络数据集实验 | 第74-79页 |
| 5.4 本章小结 | 第79-81页 |
| 总结与展望 | 第81-83页 |
| 6.1 工作总结 | 第81-82页 |
| 6.2 研究展望 | 第82-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-92页 |
| 攻读学位期间的研究成果 | 第92页 |