基于遗传—蚁群融合算法的聚类算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 聚类分析研究现状 | 第12-13页 |
| 1.2.2 蚁群聚类算法的研究现状 | 第13页 |
| 1.2.3 遗传聚类算法的研究现状 | 第13-14页 |
| 1.3 研究目标与研究内容 | 第14页 |
| 1.4 本文结构安排 | 第14-16页 |
| 第二章 聚类分析 | 第16-22页 |
| 2.1 聚类分析的定义 | 第16页 |
| 2.2 数据相似度度量 | 第16-18页 |
| 2.2.1 数值属性的相似性测量方法 | 第17-18页 |
| 2.2.2 类属性的相似性测量方法 | 第18页 |
| 2.3 聚类分析的常用方法 | 第18-21页 |
| 2.3.1 基于划分的聚类分析方法 | 第18-19页 |
| 2.3.2 基于层次的聚类分析方法 | 第19页 |
| 2.3.3 基于密度的聚类分析方法 | 第19-20页 |
| 2.3.4 基于网格的聚类分析方法 | 第20页 |
| 2.3.5 基于模型的聚类分析方法 | 第20-21页 |
| 2.4 聚类分析的评价标准 | 第21页 |
| 2.5 小结 | 第21-22页 |
| 第三章 蚁群算法聚类 | 第22-33页 |
| 3.1 蚂蚁算法简介 | 第22-26页 |
| 3.1.1 蚂蚁算法原理 | 第22-23页 |
| 3.1.2 蚁群算法的数学模型 | 第23-24页 |
| 3.1.3 蚁群算法的实现步骤 | 第24页 |
| 3.1.4 蚁群算法的优缺点 | 第24-26页 |
| 3.2 基于蚂蚁觅食原理的聚类算法 | 第26-28页 |
| 3.2.1 基于觅食原理的蚁群聚类分析 | 第26-28页 |
| 3.2.2 基于觅食原理的蚁群聚类分析优缺点 | 第28页 |
| 3.3 基于蚂蚁堆形成原理的聚类算法 | 第28-31页 |
| 3.3.1 基于蚂蚁堆形成原理的聚类算法 | 第28-29页 |
| 3.3.2 蚁堆蚂蚁聚类分析优缺点 | 第29-31页 |
| 3.4 其它相关算法 | 第31-32页 |
| 3.4.1 LF算法 | 第31页 |
| 3.4.2 ECA | 第31-32页 |
| 3.4.3 k-modes算法 | 第32页 |
| 3.5 小结 | 第32-33页 |
| 第四章 基于遗传-蚁群融合算法的聚类算法的设计 | 第33-44页 |
| 4.1 遗传-蚁群融合算法基本原理 | 第33-34页 |
| 4.1.1 遗传算法介绍 | 第33页 |
| 4.1.2 算法融合基本原理 | 第33-34页 |
| 4.2 遗传-蚁群融合聚类算法实现 | 第34-40页 |
| 4.2.1 GACA中遗传算法的定义与设置 | 第34-37页 |
| 4.2.2 GACA中蚁群算法的改进与衔接 | 第37-40页 |
| 4.3 GACA算法 | 第40-42页 |
| 4.3.1 GACA算法流程 | 第40-41页 |
| 4.3.2 GACA算法伪代码 | 第41-42页 |
| 4.3.3 GACA算法流程图 | 第42页 |
| 4.4 本章小结 | 第42-44页 |
| 第五章 聚类数据实验 | 第44-51页 |
| 5.1 数据集 | 第44-45页 |
| 5.2 实验结果 | 第45-48页 |
| 5.2.1 Car数据集实验 | 第45-46页 |
| 5.2.2 Soybean数据集实验 | 第46页 |
| 5.2.3 Voting数据集实验 | 第46-47页 |
| 5.2.4 Zoo数据集实验 | 第47-48页 |
| 5.3 结果分析 | 第48-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第六章 总结展望 | 第51-52页 |
| 6.1 总结 | 第51页 |
| 6.2 展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56页 |
