蚁群算法在数据挖掘中的应用研究
| 目录 | 第3-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第7-14页 |
| 1.1 蚁群算法的由来及研究领域 | 第7-11页 |
| 1.1.1 蚁群算法的由来 | 第7-10页 |
| 1.1.1.1 群体智能及典型算法实现 | 第7-8页 |
| 1.1.1.2 基本蚁群算法的起源 | 第8-9页 |
| 1.1.1.3 基本蚁群算法的实例说明 | 第9-10页 |
| 1.1.2 蚁群算法的研究领域 | 第10-11页 |
| 1.1.2.1 蚁群算法的发展 | 第10-11页 |
| 1.1.2.2 蚁群算法的研究领域 | 第11页 |
| 1.2 本文的主要内容 | 第11-14页 |
| 第2章 蚁群算法在分类中的应用 | 第14-52页 |
| 2.1 分类问题的有关基本概念 | 第14-16页 |
| 2.1.1 分类的概念 | 第14页 |
| 2.1.2 数据预处理 | 第14-15页 |
| 2.1.3 分类方法的比较标准 | 第15页 |
| 2.1.4 分类器预测准确性 | 第15-16页 |
| 2.2 分类问题的有关算法 | 第16-19页 |
| 2.3 蚁群算法在分类中的应用 | 第19-37页 |
| 2.3.1 算法描述 | 第19-22页 |
| 2.3.2 算法实现 | 第22-37页 |
| 2.3.2.1 构造规则 | 第22-28页 |
| 2.3.2.2 规则修剪 | 第28-32页 |
| 2.3.2.3 信息素更新 | 第32-35页 |
| 2.3.2.4 收敛测试 | 第35-36页 |
| 2.3.2.5 确定最好的规则 Rbest | 第36-37页 |
| 2.3.2.6 从训练集中删除样本 | 第37页 |
| 2.4 AMI算法 | 第37-52页 |
| 2.4.1 对启发函数的改进 | 第37-38页 |
| 2.4.2 与遗传算法相结合 | 第38-41页 |
| 2.4.3 对信息素更新方法的改进 | 第41-43页 |
| 2.4.4 AMI算法描述 | 第43-44页 |
| 2.4.5 AMI算法程序组成 | 第44-47页 |
| 2.4.6 试验分析 | 第47-50页 |
| 2.4.6.1 问题描述 | 第47-49页 |
| 2.4.6.2 结果分析 | 第49-50页 |
| 2.4.7 小结 | 第50-52页 |
| 第3章 蚁群算法在聚类及其它方面的应用 | 第52-58页 |
| 3.1 聚类问题的有关基本概念 | 第52页 |
| 3.2 聚类问题的有关算法 | 第52-54页 |
| 3.3 蚁群算法在聚类中的应用 | 第54-57页 |
| 3.3.1 基于蚁堆原理的聚类分析 | 第54-56页 |
| 3.3.2 基于蚂蚁通讯原理的聚类分析 | 第56-57页 |
| 3.4 在其它方面的应用 | 第57-58页 |
| 第4章 总结与展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 在校期间发表的论文 | 第66-67页 |
| 学位论文评阅及答辩情况表 | 第67页 |
