基于混合遗传算法的分类规则挖掘方法及其并行实现
| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-10页 |
| 1 绪论 | 第10-14页 |
| 1．1 研究背景和意义 | 第10-11页 |
| 1．2 国内外研究现状 | 第11-12页 |
| 1．3 本论文的主要工作 | 第12-13页 |
| 1．4 论文章节安排 | 第13-14页 |
| 2 数据挖掘与分类规则挖掘 | 第14-20页 |
| 2．1 数据挖掘的产生 | 第14页 |
| 2．2 什么是数据挖掘 | 第14-15页 |
| 2．3 数据挖掘的模式 | 第15页 |
| 2．4 分类规则挖掘方法概述 | 第15-19页 |
| 2．4．1 决策树分类算法 | 第16-17页 |
| 2．4．2 人工神经网络 | 第17-19页 |
| 2．5 本章小结 | 第19-20页 |
| 3 混合遗传算法 | 第20-29页 |
| 3．1 遗传算法 | 第20-26页 |
| 3．1．1 遗传算法的基本术语 | 第20页 |
| 3．1．2 遗传算法的基本思想 | 第20-21页 |
| 3．1．3 遗传算法的基本流程 | 第21页 |
| 3．1．4 遗传算法关键参数与操作的设计 | 第21-25页 |
| 3．1．5 遗传算法的改进 | 第25-26页 |
| 3．2 局部搜索算法 | 第26-27页 |
| 3．2．1 优化算法分类 | 第26页 |
| 3．2．2 邻域函数 | 第26-27页 |
| 3．2．3 局部搜索算法的基本思想 | 第27页 |
| 3．2．4 局部搜索算法的改进 | 第27页 |
| 3．3 混合遗传算法 | 第27-28页 |
| 3．3．1 混合遗传算法的基本思想 | 第27页 |
| 3．3．2 混合遗传算法的基本构成原则 | 第27-28页 |
| 3．3．3 设计混合遗传算法的关键问题 | 第28页 |
| 3．4 本章小结 | 第28-29页 |
| 4 基于混合遗传算法的分类规则挖掘方法 | 第29-48页 |
| 4．1 分类规则表示方法 | 第29-30页 |
| 4．2 Michigan方法 | 第30页 |
| 4．3 挖掘主算法 | 第30-32页 |
| 4．4 本文提出的混合遗传算法 | 第32-38页 |
| 4．4．1 算法的构造出发点 | 第32页 |
| 4．4．2 算法描述 | 第32-33页 |
| 4．4．3 个体编码方案 | 第33-34页 |
| 4．4．4 适应度函数 | 第34-35页 |
| 4．4．5 个体生成函数 | 第35-36页 |
| 4．4．6 交叉算子 | 第36页 |
| 4．4．7 变异算子 | 第36-37页 |
| 4．4．8 局部搜索算子 | 第37-38页 |
| 4．5 分类规则提取方法 | 第38-39页 |
| 4．5．1 基本思想 | 第38页 |
| 4．5．2 算法描述 | 第38-39页 |
| 4．6 算法测试与实验 | 第39-47页 |
| 4．6．1 数据集的划分 | 第39-40页 |
| 4．6．2 算法参数设置 | 第40-41页 |
| 4．6．3 实验结果分析与比较 | 第41-47页 |
| 4．7 本章小结 | 第47-48页 |
| 5 基于混合遗传算法的分类规则挖掘方法的并行实现 | 第48-55页 |
| 5．1 并行算法的理论基础 | 第48-50页 |
| 5．1．1 并行算法的定义 | 第48页 |
| 5．1．2 并行算法的分类 | 第48页 |
| 5．1．3 并行算法的设计方法 | 第48-49页 |
| 5．1．4 并行算法性能度量 | 第49-50页 |
| 5．2 本文提出的分类算法的并行实现 | 第50-52页 |
| 5．3 实验环境 | 第52-54页 |
| 5．3．1 PC机群 | 第52页 |
| 5．3．2 基于Win32的PVM并行计算环境 | 第52-54页 |
| 5．4 实验结果 | 第54页 |
| 5．5 本章小结 | 第54-55页 |
| 6 论文总结 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 附录 | 第60-61页 |
