基于群体智能的聚类分析
| 摘要 | 第1-9页 |
| Abstract | 第9-11页 |
| 第1章 绪论 | 第11-24页 |
| ·选题背景和意义 | 第11-12页 |
| ·聚类分析的研究现状 | 第12-14页 |
| ·群体智能技术及其研究现状 | 第14-22页 |
| ·群体智能的相关概念及研究现状 | 第14-17页 |
| ·蚁群优化算法的研究现状 | 第17-19页 |
| ·粒子群优化算法的研究现状 | 第19-22页 |
| ·论文研究内容及组织结构 | 第22-24页 |
| ·研究内容 | 第22-23页 |
| ·论文创新点 | 第23-24页 |
| 第2章 聚类分析理论和算法 | 第24-36页 |
| ·聚类分析的基本概念 | 第24-29页 |
| ·聚类定义 | 第24-25页 |
| ·聚类分析算法的典型要求 | 第25-26页 |
| ·聚类分析中涉及的数据类型 | 第26-27页 |
| ·相似性计算方法 | 第27-29页 |
| ·主要的聚类算法 | 第29-36页 |
| ·基于划分的方法 | 第30-32页 |
| ·基于层次的方法 | 第32-33页 |
| ·基于密度的方法 | 第33-34页 |
| ·基于网格的方法 | 第34-35页 |
| ·基于模型的方法 | 第35-36页 |
| 第3章 蚁群聚类算法及其改进 | 第36-56页 |
| ·蚁群优化算法的基本原理 | 第36-41页 |
| ·蚁群行为的仿生算法 | 第36-38页 |
| ·基本蚁群优化算法 | 第38-40页 |
| ·两种常用的改进蚁群优化算法 | 第40-41页 |
| ·常用的蚁群聚类算法 | 第41-46页 |
| ·改进的多主体蚂蚁聚类算法 | 第46-56页 |
| ·引言 | 第46页 |
| ·算法描述 | 第46-49页 |
| ·算法分析 | 第49-51页 |
| ·实验结果及分析 | 第51-54页 |
| ·小结 | 第54-56页 |
| 第4章 基于粒子群优化算法的聚类分析 | 第56-72页 |
| ·粒子群优化算法的基本原理 | 第56-61页 |
| ·PSO 算法的仿生模型 | 第56-58页 |
| ·基本PSO 算法 | 第58-59页 |
| ·PSO 算法的改进 | 第59-61页 |
| ·基于PSO 的聚类算法 | 第61-63页 |
| ·协同进化的PSO 聚类算法 | 第63-72页 |
| ·引言 | 第63-64页 |
| ·协同进化策略 | 第64-65页 |
| ·算法描述 | 第65-68页 |
| ·实验结果及分析 | 第68-71页 |
| ·小结 | 第71-72页 |
| 第5章 基于距离对称性的PSO 聚类算法 | 第72-86页 |
| ·引言 | 第72-73页 |
| ·距离对称性 | 第73-75页 |
| ·距离对称性的基本概念 | 第73-74页 |
| ·knear 取值问题 | 第74-75页 |
| ·算法描述 | 第75-77页 |
| ·粒子编码与种群初始化 | 第75-76页 |
| ·适应度计算 | 第76-77页 |
| ·算法分析 | 第77-78页 |
| ·对称性适应度函数分析 | 第77-78页 |
| ·算法复杂性分析 | 第78页 |
| ·实验结果及分析 | 第78-85页 |
| ·小结 | 第85-86页 |
| 第6章 总结和展望 | 第86-88页 |
| ·总结 | 第86-87页 |
| ·进一步研究工作 | 第87-88页 |
| 参考文献 | 第88-99页 |
| 附件1 Iris 数据库结构及属性取值 | 第99-103页 |
| 在学期间公开发表的论文及参与的项目 | 第103-104页 |
| 致谢 | 第104页 |
