| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-12页 |
| ·研究的背景和意义 | 第8页 |
| ·国内外研究现状 | 第8-10页 |
| ·本文主要研究内容及组织安排 | 第10-12页 |
| 第2章 聚类算法概述 | 第12-20页 |
| ·数据挖掘的基本概念 | 第12页 |
| ·数据挖掘任务 | 第12-13页 |
| ·聚类分析方法概述 | 第13-19页 |
| ·聚类分析的含义 | 第13-15页 |
| ·数据的相似性度量 | 第15-16页 |
| ·聚类结果的评价 | 第16页 |
| ·聚类的主要方法 | 第16-19页 |
| ·本章小结 | 第19-20页 |
| 第3章 智能算法的理论基础 | 第20-30页 |
| ·智能算法概述 | 第20-21页 |
| ·遗传算法的基本理论 | 第21-25页 |
| ·遗传算法的基本含义 | 第21页 |
| ·遗传算法的流程 | 第21-24页 |
| ·遗传算法的应用 | 第24-25页 |
| ·蚁群算法的基本理论 | 第25-29页 |
| ·蚁群算法的基本含义 | 第25-26页 |
| ·基本蚁群算法的数学描述 | 第26-28页 |
| ·蚂蚁算法的应用 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第4章 一种改进的蚂蚁聚类算法 | 第30-37页 |
| ·基本的蚁群聚类算法 | 第30-32页 |
| ·蚂蚁聚类方法 | 第31-32页 |
| ·算法的缺点 | 第32页 |
| ·组合的蚂蚁聚类算法 | 第32-34页 |
| ·本文改进算法 | 第32-33页 |
| ·基于密度和距离的初始聚类中心的选择 | 第33页 |
| ·算法的具体步骤 | 第33-34页 |
| ·实验 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第5章 基于MapReduce模型的并行遗传k-means聚类算法 | 第37-44页 |
| ·遗传k-means聚类算法 | 第37-39页 |
| ·适应度函数的设计 | 第38页 |
| ·遗传算子的选择 | 第38-39页 |
| ·遗传k-means聚类算法的并行化实现 | 第39-40页 |
| ·MapReduce模型 | 第39-40页 |
| ·种群迁移策略 | 第40页 |
| ·Map和Reduce过程设计 | 第40-41页 |
| ·实验 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第6章 总结与展望 | 第44-45页 |
| ·总结 | 第44页 |
| ·未来的工作展望 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 致谢 | 第48-49页 |
| 攻读硕士学位期间发表的论文及获奖情况 | 第49页 |