| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 聚类分析的研究现状 | 第15页 |
| 1.2.2 基于群智能优化算法和K-means聚类算法结合的研究现状 | 第15-17页 |
| 1.2.3 布谷鸟研究现状 | 第17-19页 |
| 1.3 本文的研究内容和研究方法 | 第19-20页 |
| 1.3.1 本文研究内容 | 第19-20页 |
| 1.3.2 本文研究方法 | 第20页 |
| 1.4 本文组织结构 | 第20-22页 |
| 第二章 聚类分析的相关技术 | 第22-32页 |
| 2.1 聚类分析的基本概念 | 第22-28页 |
| 2.1.1 聚类分析的概念 | 第22页 |
| 2.1.2 聚类分析中的数据类型 | 第22-23页 |
| 2.1.3 聚类分析中相似度度量方法 | 第23-25页 |
| 2.1.4 聚类分析中的准则函数 | 第25-26页 |
| 2.1.5 聚类分析基本步骤 | 第26-27页 |
| 2.1.6 常用聚类分析方法 | 第27-28页 |
| 2.2 K-means算法 | 第28-31页 |
| 2.2.1 K-means算法的历史与发展 | 第28页 |
| 2.2.2 K-means算法基本思想 | 第28-29页 |
| 2.2.3 K-means算法模型 | 第29-30页 |
| 2.2.4 K-means算法流程 | 第30-31页 |
| 2.2.5 K-means算法优缺点分析 | 第31页 |
| 2.3 本章小结 | 第31-32页 |
| 第三章 布谷鸟算法基本原理 | 第32-37页 |
| 3.1 布谷鸟算法的理论基础 | 第32-35页 |
| 3.1.1 莱维飞行 | 第32-33页 |
| 3.1.2 行为描述 | 第33页 |
| 3.1.3 算法模型 | 第33-34页 |
| 3.1.4 算法参数 | 第34页 |
| 3.1.5 算法的主要特点 | 第34-35页 |
| 3.2 布谷鸟算法的实现技术 | 第35-36页 |
| 3.2.1 算法执行步骤 | 第35页 |
| 3.2.2 算法流程 | 第35-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第四章 基于布谷鸟算法的K-means算法 | 第37-42页 |
| 4.1 群智能优化算法与K-means算法 | 第37页 |
| 4.2 基于布谷鸟算法的K-means算法 | 第37-40页 |
| 4.2.1 算法思想 | 第37-38页 |
| 4.2.2 鸟巢位置更新公式 | 第38页 |
| 4.2.3 目标函数设计 | 第38页 |
| 4.2.4 算法步骤 | 第38-39页 |
| 4.2.5 算法流程 | 第39-40页 |
| 4.3 本章小结 | 第40-42页 |
| 第五章 基于布谷鸟算法的K-means算法的应用 | 第42-50页 |
| 5.1 业务流程管理 | 第42-43页 |
| 5.2 流程模型聚类意义 | 第43-44页 |
| 5.3 基于K-means算法和布谷鸟算法的流程模型聚类 | 第44-49页 |
| 5.3.1 实验环境 | 第44页 |
| 5.3.2 参数设置 | 第44页 |
| 5.3.3 实验数据集 | 第44-45页 |
| 5.3.4 数据预处理 | 第45-46页 |
| 5.3.5 实验结果及分析 | 第46-49页 |
| 5.4 本章小结 | 第49-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 6.1 本文总结 | 第50-51页 |
| 6.2 工作展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第56页 |