基于群体智能的蚁群聚类算法及应用
| 目录 | 第1-4页 |
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 导论 | 第6-9页 |
| ·选题背景与研究意义 | 第6页 |
| ·研究内容与贡献 | 第6-8页 |
| ·文章组织结构 | 第8-9页 |
| 第二章 文献综述 | 第9-26页 |
| ·群体智能研究 | 第9-11页 |
| ·群体智能定义 | 第9-10页 |
| ·群体智能特点 | 第10-11页 |
| ·群体智能算法 | 第11页 |
| ·聚类分析研究 | 第11-17页 |
| ·聚类分析定义 | 第11-12页 |
| ·聚类分析的数据表示 | 第12-14页 |
| ·主要聚类算法 | 第14-15页 |
| ·K-means算法和k-modes算法 | 第15-17页 |
| ·蚁群聚类算法研究 | 第17-25页 |
| ·基本模型 | 第17-18页 |
| ·LF算法 | 第18-20页 |
| ·基于信息熵的蚁群聚类算法 | 第20-21页 |
| ·多蚁群聚类组合算法 | 第21-24页 |
| ·K均值混合聚类算法 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 基于群体智能的优化蚁群聚类算法 | 第26-38页 |
| ·定义 | 第26-28页 |
| ·数学模型基础 | 第28-32页 |
| ·数学模型 | 第28页 |
| ·最优解特征 | 第28-29页 |
| ·算法收敛性讨论 | 第29-32页 |
| ·算法过程 | 第32-35页 |
| ·搬运过程 | 第32-33页 |
| ·调整过程 | 第33-34页 |
| ·主要改进 | 第34-35页 |
| ·算法描述 | 第35-37页 |
| ·流程图描述 | 第35-36页 |
| ·算法伪代码 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 聚类数据实验 | 第38-50页 |
| ·数据集 | 第38-39页 |
| ·聚类效果度量 | 第39-40页 |
| ·实验结果 | 第40-46页 |
| ·Car数据集实验 | 第40-41页 |
| ·Soybean数据集实验 | 第41-42页 |
| ·Voting数据集实验 | 第42-44页 |
| ·Zoo数据集实验 | 第44-46页 |
| ·结果分析 | 第46-48页 |
| ·扩展性实验 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 蚁群聚类算法的应用 | 第50-58页 |
| ·案例背景和目标 | 第50页 |
| ·数据预处理 | 第50-52页 |
| ·聚类分析 | 第52-55页 |
| ·结果讨论 | 第55-56页 |
| ·本章小结 | 第56-58页 |
| 第六章 结论与展望 | 第58-60页 |
| ·研究成果与意义 | 第58页 |
| ·未来研究方向 | 第58-60页 |
| 参考文献 | 第60-62页 |
| 攻读硕士学位期间发表的论文 | 第62页 |
| 攻读硕士学位期间参与的主要科研项目 | 第62-63页 |
| 致谢 | 第63-64页 |
