基于多元优化过程记忆算法（MOA）的聚类研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 概述 | 第8-15页 |
| 1.1 引言 | 第8-9页 |
| 1.2 论文的研究背景和意义 | 第9-10页 |
| 1.3 国内外的研究现状 | 第10-12页 |
| 1.4 论文的主要工作及组织结构 | 第12-15页 |
| 1.4.1 主要工作 | 第12-13页 |
| 1.4.2 论文的组织结构 | 第13-15页 |
| 第二章 聚类分析 | 第15-22页 |
| 2.1 聚类分析的定义 | 第15-16页 |
| 2.2 数值属性的相似性度量准则 | 第16-18页 |
| 2.2.1 数值属性的相似性测量方法 | 第16-17页 |
| 2.2.2 类属性的相似性测量方法 | 第17-18页 |
| 2.3 聚类分析的方法 | 第18-21页 |
| 2.3.1 遗传聚类算法 | 第18-19页 |
| 2.3.2 粒子群聚类算法 | 第19-20页 |
| 2.3.3 萤火虫聚类算法 | 第20页 |
| 2.3.4 蚁群聚类算法 | 第20-21页 |
| 2.3.5 人工鱼群聚类算法 | 第21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于MOA聚类算法软件平台的数据聚类 | 第22-35页 |
| 3.1 MOA算法理论基础 | 第22-30页 |
| 3.1.1 MOA算法思想原理 | 第22-24页 |
| 3.1.2 MOA算法的结构体和搜索元 | 第24-26页 |
| 3.1.3 多元化结构 | 第26-27页 |
| 3.1.4 MOA算法流程 | 第27-30页 |
| 3.2 聚类算法性能对比软件平台 | 第30-34页 |
| 3.2.1 软件的简介 | 第30-31页 |
| 3.2.2 软件的基本功能 | 第31-32页 |
| 3.2.3 操作说明 | 第32页 |
| 3.2.4 聚类问题的参数设置 | 第32-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第四章 MOA算法在聚类分析上的应用 | 第35-52页 |
| 4.1 实验准备 | 第35-37页 |
| 4.1.1 MOA聚类算法的编码 | 第35-36页 |
| 4.1.2 适应度函数的构造 | 第36-37页 |
| 4.2 实验数据 | 第37-38页 |
| 4.3 性能对比实验平台的参数设置 | 第38-42页 |
| 4.3.1 全局元个数的设置 | 第38-40页 |
| 4.3.2 搜索半径的影响 | 第40-42页 |
| 4.4 六种聚类算法的寻优比较 | 第42-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 总结与下一步工作 | 第52-54页 |
| 5.1 全文总结 | 第52-53页 |
| 5.2 下一步工作和展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间完成的科研成果 | 第58-59页 |
| 致谢 | 第59页 |
