| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 函数发现的研究现状 | 第9-10页 |
| 1.2.2 遗传算法的研究现状 | 第10-11页 |
| 1.2.3 遗传编程的研究现状 | 第11页 |
| 1.2.4 基因表达式编程的研究现状 | 第11-12页 |
| 1.2.5 Spark的研究现状 | 第12-13页 |
| 1.3 课题主要研究内容 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第2章 基本概念和基本理论 | 第16-29页 |
| 2.1 数据挖掘综述 | 第16-18页 |
| 2.2 函数发现综述 | 第18-20页 |
| 2.3 遗传算法综述 | 第20-21页 |
| 2.4 遗传编程综述 | 第21-23页 |
| 2.5 基因表达式编程综述 | 第23-26页 |
| 2.6 Spark综述 | 第26-27页 |
| 2.7 本章小结 | 第27-29页 |
| 第3章 GEP-GA的函数发现研究与实验 | 第29-44页 |
| 3.1 传统算法原理简介 | 第29-36页 |
| 3.1.1 遗传算法 | 第29-31页 |
| 3.1.2 遗传编程 | 第31-33页 |
| 3.1.3 基因表达式编程 | 第33-36页 |
| 3.2 嵌合遗传算法的基因表达式编程算法 | 第36-43页 |
| 3.2.1 函数发现中常量处理的方法 | 第36-37页 |
| 3.2.2 嵌合遗传算法的基因表达式编程算法流程 | 第37-38页 |
| 3.2.3 数值常量处理 | 第38页 |
| 3.2.4 GEP-GA算法的遗传操作 | 第38页 |
| 3.2.5 适应度函数 | 第38页 |
| 3.2.6 基于遗传算法的常量优化 | 第38页 |
| 3.2.7 算法机理分析 | 第38-39页 |
| 3.2.8 实验结果分析 | 第39-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第4章 GEP-GA-SPARK的函数发现研究与实验 | 第44-50页 |
| 4.1 GEP-GA的缺陷 | 第44页 |
| 4.2 并行遗传算法原理 | 第44-45页 |
| 4.3 基于Spark的并行算法 | 第45-46页 |
| 4.4 实验结果分析 | 第46-49页 |
| 4.4.1 测试数据分析 | 第46-47页 |
| 4.4.2 算法的适应度分析 | 第47-48页 |
| 4.4.3 算法执行时间分析 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 总结和展望 | 第50-52页 |
| 5.1 研究总结 | 第50-51页 |
| 5.2 展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |