| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 引言 | 第8-10页 |
| ·课题背景 | 第8页 |
| ·课题内容 | 第8-9页 |
| ·课题意义 | 第9页 |
| ·本文的组织结构 | 第9-10页 |
| 第二章 相关知识 | 第10-19页 |
| ·NP难度问题 | 第10页 |
| ·组合优化问题 | 第10页 |
| ·并行计算机 | 第10-12页 |
| ·并行计算机的应用 | 第11页 |
| ·并行计算机的类型 | 第11-12页 |
| ·并行算法及编程模型 | 第12-14页 |
| ·并行算法的性能评价 | 第12-13页 |
| ·并行编程模型 | 第13-14页 |
| ·ACO简介 | 第14-19页 |
| ·基本蚁群系统AS | 第15-16页 |
| ·MMAS(Max-MinAntSystem) | 第16-17页 |
| ·ACS(AntColonySystem) | 第17-18页 |
| ·ACO和局部搜索 | 第18-19页 |
| 第三章 学习Bayesian网络结构 | 第19-37页 |
| ·Bayesian网络 | 第19-21页 |
| ·学习Bayesian网络问题 | 第21-31页 |
| ·学习Bayesian网络的分类 | 第22-23页 |
| ·Bayesian网络的参数学习 | 第23-25页 |
| ·Bayesian网络结构学习 | 第25-26页 |
| ·Bayesian网络结构学习的方法 | 第26页 |
| ·基于CI测试的算法 | 第26-27页 |
| ·基于打分机制的结构学习方法 | 第27-31页 |
| ·K2机制学习网络结构相关算法 | 第31-37页 |
| ·K2算法 | 第31-34页 |
| ·K2SN算法 | 第34页 |
| ·B算法 | 第34-37页 |
| 第四章 学习Bayesian网络结构的并行解决方案 | 第37-57页 |
| ·ACOB算法 | 第37-40页 |
| ·蚂蚁的数据结构 | 第38页 |
| ·单只蚂蚁学习Bayesian网络的状态描述 | 第38页 |
| ·启发信息标准 | 第38-39页 |
| ·信息素的更新规则 | 第39页 |
| ·边选择标准 | 第39-40页 |
| ·局部优化算法 | 第40页 |
| ·MDL与K3机制 | 第40-42页 |
| ·K3机制 | 第40-41页 |
| ·MDL与Bayesian的联系 | 第41-42页 |
| ·并行模型的设计与算法描述 | 第42-47页 |
| ·并行模型的设计 | 第42-44页 |
| ·PACOB算法描述 | 第44-47页 |
| ·打分机制的设计 | 第47-51页 |
| ·时间复杂度 | 第51页 |
| ·空间复杂度 | 第51-52页 |
| ·并行线程的使用与协调 | 第52页 |
| ·小结 | 第52-57页 |
| 第五章 实验结果分析 | 第57-64页 |
| ·实验背景 | 第57-58页 |
| ·问题域和数据集 | 第57页 |
| ·运行环境 | 第57页 |
| ·参数设置 | 第57-58页 |
| ·ALARM的实验结果 | 第58-61页 |
| ·DJC的实验结果 | 第61-64页 |
| 第六章 结束语 | 第64-66页 |
| ·总结 | 第64页 |
| ·相关工作及展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 附录A | 第72-73页 |
| 附录B 源码片断 | 第73-77页 |
| 详细摘要 | 第77-79页 |