| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-11页 |
| 1 绪论 | 第11-14页 |
| ·选题的背景 | 第11页 |
| ·蚁群聚类算法的研究现状及未来趋势 | 第11-12页 |
| ·蚁群聚类算法的研究现状 | 第11-12页 |
| ·蚁群聚类算法的未来趋势 | 第12页 |
| ·论文的研究内容与创新点 | 第12-13页 |
| ·论文的研究内容 | 第12-13页 |
| ·论文的创新点 | 第13页 |
| ·论文的组织结构 | 第13-14页 |
| 2 相关理论基础 | 第14-24页 |
| ·基础蚁群算法 | 第14-20页 |
| ·蚁群行为描述 | 第14-15页 |
| ·基本蚁群算法的机制原理 | 第15页 |
| ·基本蚁群算法的数学模型 | 第15-19页 |
| ·基本蚁群算法的优缺点 | 第19-20页 |
| ·聚类分析 | 第20-24页 |
| ·聚类分析的定义 | 第20页 |
| ·聚类分析的方法 | 第20-22页 |
| ·聚类分析的度量标准 | 第22-24页 |
| 3 一种改进的基于蚁堆形成原理的聚类算法 | 第24-38页 |
| ·改进的基本蚁群聚类算法 | 第24-27页 |
| ·基本蚁群聚类算法模型 | 第24-26页 |
| ·改进的基本蚁群聚类算法（IBACA） | 第26-27页 |
| ·IBACA 算法的优点 | 第27页 |
| ·改进的遗传算法 | 第27-32页 |
| ·遗传算法（GA） | 第27-29页 |
| ·改进的遗传算法（IGA） | 第29-32页 |
| ·IGA 算法的优点 | 第32页 |
| ·改进的融合IGA 算法的蚁群聚类算法 | 第32-38页 |
| ·算法的基本思想 | 第32-33页 |
| ·蚁群聚类算法中遗传操作 | 第33-34页 |
| ·算法的描述 | 第34-36页 |
| ·聚类的标准评估 | 第36-37页 |
| ·算法的优点 | 第37-38页 |
| 4 IAGCA 算法在房地产行业客户细分中的应用 | 第38-53页 |
| ·房地产行业的行业背景 | 第38页 |
| ·客户细分的三维价值体系模型 | 第38-40页 |
| ·企业自身相对优势 | 第38-39页 |
| ·客户当前价值 | 第39-40页 |
| ·客户潜在价值 | 第40页 |
| ·房地产行业客户细分指标体系 | 第40-43页 |
| ·应用目标分析 | 第43页 |
| ·数据准备与处理 | 第43-49页 |
| ·房地产行业客户特征数据模型 | 第43-44页 |
| ·客户行为特征的数据采集 | 第44-45页 |
| ·数据预处理 | 第45-49页 |
| ·客户细分及结果分析 | 第49-53页 |
| ·利用IAGCA 算法实现基于三维价值体系模型的客户细分 | 第49-51页 |
| ·聚类结果分析 | 第51-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 作者简历 | 第57-58页 |
| 学位论文数据集 | 第58-59页 |