| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 研究目标与主要工作 | 第15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第2章 聚类、演化算法相关理论及主要算法 | 第17-40页 |
| 2.1 聚类相关理论 | 第17-22页 |
| 2.1.1 简介 | 第17-18页 |
| 2.1.2 数学模型定义 | 第18页 |
| 2.1.3 聚类步骤 | 第18-19页 |
| 2.1.4 距离度量方式 | 第19-22页 |
| 2.1.5 聚类结果评价准则 | 第22页 |
| 2.2 聚类算法分类 | 第22-24页 |
| 2.3 聚类算法 | 第24-31页 |
| 2.4 演化算法相关理论 | 第31-35页 |
| 2.4.1 简介 | 第31页 |
| 2.4.2 演化算法的设计 | 第31-35页 |
| 2.5 演化算法—以遗传算法为例 | 第35-36页 |
| 2.6 局部搜索—以爬山法为例 | 第36页 |
| 2.7 文化基因算法 | 第36-39页 |
| 2.7.1 简介 | 第37页 |
| 2.7.2 算法设计问题 | 第37-39页 |
| 2.8 本章小结 | 第39-40页 |
| 第3章 一种自适应K-均值强度的遗传聚类分析算法 | 第40-52页 |
| 3.1 算法设置 | 第41-45页 |
| 3.1.1 问题类型描述 | 第41页 |
| 3.1.2 表示方式 | 第41-42页 |
| 3.1.3 初始化方式 | 第42页 |
| 3.1.4 评估函数 | 第42-43页 |
| 3.1.5 遗传变化算子 | 第43页 |
| 3.1.6 选择算子 | 第43-44页 |
| 3.1.7 局部搜索-K均值算法 | 第44-45页 |
| 3.1.8 终止准则 | 第45页 |
| 3.2 自适应K-均值强度控制策略 | 第45-51页 |
| 3.2.1 Q-Learning强化学习简介 | 第45-46页 |
| 3.2.2 自适应K-均值强度控制策略 | 第46-51页 |
| 3.3 本章小结 | 第51-52页 |
| 第4章 实验结果与分析 | 第52-67页 |
| 4.1 实验数据集描述 | 第52-56页 |
| 4.1.1 人工合成的数据集描述 | 第52-53页 |
| 4.1.2 真实数据集描述 | 第53-55页 |
| 4.1.3 各个数据集局部最优分布图 | 第55-56页 |
| 4.1.4 小结 | 第56页 |
| 4.2 实验参数设置 | 第56-57页 |
| 4.2.1 遗传算法参数设置 | 第56页 |
| 4.2.2 自适应K-均值强度策略参数设置 | 第56-57页 |
| 4.3 实验结果与分析 | 第57-66页 |
| 4.3.1 数据标准归一化 | 第57页 |
| 4.3.2 K-均值与遗传算法特性对比验证 | 第57-58页 |
| 4.3.3 K-均值混合遗传算法性能提升验证 | 第58-60页 |
| 4.3.4 自适应K-均值强度控制策略验证 | 第60-64页 |
| 4.3.5 自适应K-均值强度控制策略结合GKA验证 | 第64-66页 |
| 4.3.6 实验小结 | 第66页 |
| 4.4 本章小结 | 第66-67页 |
| 第5章 总结与展望 | 第67-69页 |
| 5.1 总结 | 第67-68页 |
| 5.2 展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间参加的科研项目和成果 | 第75页 |