蚁群算法及其在聚类分析中的应用研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第12-15页 |
| 1.1 引言 | 第12页 |
| 1.2 问题的提出 | 第12-13页 |
| 1.3 论文结构 | 第13-15页 |
| 第二章 蚁群优化算法的基本原理及分析 | 第15-36页 |
| 2.1 自然蚂蚁的智能特点 | 第15-16页 |
| 2.2 人工蚂蚁的模型 | 第16-17页 |
| 2.3 蚂蚁系统 | 第17-21页 |
| 2.3.1 旅行商问题 | 第17-18页 |
| 2.3.2 蚂蚁系统 | 第18-19页 |
| 2.3.3 蚂蚁系统的实现步骤 | 第19-21页 |
| 2.3.4 算法复杂度分析 | 第21页 |
| 2.4 蚁群优化算法 | 第21-24页 |
| 2.4.1 蚁群优化算法的实现 | 第22-23页 |
| 2.4.2 蚁群优化算法的收敛性 | 第23-24页 |
| 2.4.3 基本蚁群算法的特点 | 第24页 |
| 2.5 蚁群优化算法中参数的设置 | 第24-26页 |
| 2.6 几种改进的算法 | 第26-32页 |
| 2.6.1 Ant-Q | 第27-28页 |
| 2.6.2 Max-Min Ant System | 第28页 |
| 2.6.3 Ant Colony System | 第28-29页 |
| 2.6.4 基于信息熵的自适应蚁群算法 | 第29页 |
| 2.6.5 蚁群算法与其它仿生优化算法的融合 | 第29-30页 |
| 2.6.6 混合蚁群算法 | 第30页 |
| 2.6.7 具有随机扰动特征的蚁群算法 | 第30-31页 |
| 2.6.8 具有感觉和知觉特征的蚁群算法 | 第31-32页 |
| 2.7 蚁群算法的发展 | 第32-33页 |
| 2.8 蚁群算法的应用 | 第33-35页 |
| 2.9 本章 小结 | 第35-36页 |
| 第三章 数据挖掘技术中的聚类分析 | 第36-53页 |
| 3.1 数据挖掘概述 | 第36-37页 |
| 3.2 聚类分析概念 | 第37-38页 |
| 3.3 聚类分析的步骤 | 第38-39页 |
| 3.4 聚类分析中的数据类型 | 第39-40页 |
| 3.5 聚类分析中的相似度度量方法 | 第40-42页 |
| 3.6 聚类分析算法 | 第42-51页 |
| 3.6.1 K-means 算法 | 第45-46页 |
| 3.6.2 BIRCH 算法 | 第46-47页 |
| 3.6.3 DBSCAN 算法 | 第47-48页 |
| 3.6.4 CLIQUE 算法 | 第48页 |
| 3.6.5 SOM 算法 | 第48-49页 |
| 3.6.6 FCM 算法 | 第49-51页 |
| 3.7 聚类分析研究的历史和现状 | 第51页 |
| 3.8 聚类分析的应用 | 第51-52页 |
| 3.9 本章 小结 | 第52-53页 |
| 第四章 基于改进蚁群算法的聚类组合方法 | 第53-79页 |
| 4.1 基于信息熵的蚁群聚类方法 | 第53-68页 |
| 4.1.1 基本蚁群聚类模型 | 第53页 |
| 4.1.2 LF 算法 | 第53-55页 |
| 4.1.3 LF 算法的具体实现 | 第55-58页 |
| 4.1.4 基于信息熵的蚁群聚类算法 | 第58-64页 |
| 4.1.5 基于信息熵的蚁群聚类算法实现 | 第64-66页 |
| 4.1.6 两种算法的比较分析 | 第66页 |
| 4.1.7 改进的基于信息熵的蚁群聚类方法 | 第66-68页 |
| 4.2 改进的单蚁群聚类算法（SACA） | 第68-73页 |
| 4.2.1 平均相似性 | 第69-70页 |
| 4.2.2 概率转换函数 | 第70-71页 |
| 4.2.3 改进的SACA 算法描述 | 第71-73页 |
| 4.3 多蚁群聚类组合算法（MACCA） | 第73-78页 |
| 4.3.1 系统结构图 | 第74-75页 |
| 4.3.2 聚类组合 | 第75-76页 |
| 4.3.3 基于蚁群算法的图划分算法 | 第76-78页 |
| 4.4 本章 小结 | 第78-79页 |
| 第五章 全文总结 | 第79-82页 |
| 5.1 主要结论 | 第79-80页 |
| 5.2 研究展望 | 第80-82页 |
| 参考文献 | 第82-85页 |
| 攻读硕士学位期间已发表或录用的论文 | 第85-86页 |
| 致谢 | 第86页 |
