| 摘要 | 第1-10页 |
| ABSTRACT | 第10-12页 |
| 第一章 绪论 | 第12-26页 |
| ·课题研究的背景和意义 | 第12-13页 |
| ·群体智能算法 | 第13-18页 |
| ·概述 | 第13-14页 |
| ·蚁群算法 | 第14-15页 |
| ·微粒群算法 | 第15-16页 |
| ·人工鱼群算法 | 第16页 |
| ·人工鱼群算法与其他群体智能算法的比较 | 第16-18页 |
| ·AFSA 算法的研究现状 | 第18-23页 |
| ·人工鱼群算法的改进 | 第18-21页 |
| ·人工鱼群算法的应用 | 第21-23页 |
| ·本文研究的主要内容 | 第23-24页 |
| ·聚类分析算法 | 第23页 |
| ·人工鱼群算法及其改进 | 第23页 |
| ·基于AFSA 的聚类分析算法 | 第23-24页 |
| ·基于AFSA 的聚类分析算法在区域经济分析中的应用 | 第24页 |
| ·本文的组织结构及创新点 | 第24-26页 |
| ·论文的组织结构 | 第24-25页 |
| ·论文主要创新点 | 第25-26页 |
| 第二章 聚类分析算法综述 | 第26-36页 |
| ·聚类分析的基本概念 | 第26-30页 |
| ·聚类分析的概念 | 第26-27页 |
| ·聚类算法有效性的评价 | 第27-28页 |
| ·对聚类分析算法的典型要求 | 第28-30页 |
| ·聚类分析中的数据结构 | 第30页 |
| ·主要的聚类算法 | 第30-34页 |
| ·划分方法 | 第31-32页 |
| ·层次方法 | 第32页 |
| ·基于密度的方法 | 第32-33页 |
| ·基于网格的方法 | 第33页 |
| ·基于模型的方法 | 第33页 |
| ·基于计算智能的聚类方法 | 第33-34页 |
| ·聚类分析研究现状 | 第34页 |
| ·聚类分析的研究热点 | 第34页 |
| ·聚类研究目前存在的问题 | 第34页 |
| ·聚类分析技术的应用 | 第34-36页 |
| 第三章 人工鱼群算法 | 第36-55页 |
| ·人工鱼群算法的基本概念 | 第36-37页 |
| ·人工鱼 | 第36-37页 |
| ·鱼群行为 | 第37页 |
| ·基本人工鱼群算法的描述 | 第37-42页 |
| ·人工鱼群算法的收敛性 | 第42页 |
| ·基本人工鱼群算法实验验证 | 第42-45页 |
| ·一种改进的人工鱼群算法 | 第45-55页 |
| ·算法改进 | 第45-46页 |
| ·相关定义 | 第46页 |
| ·改进后的行为描述 | 第46-49页 |
| ·算法描述 | 第49-50页 |
| ·算法流程 | 第50-52页 |
| ·测试实验 | 第52-55页 |
| 第四章 基于AFSA 的聚类算法——KM-AFSA 聚类 | 第55-64页 |
| ·算法背景 | 第55-56页 |
| ·算法思想 | 第56-57页 |
| ·相关概念及行为建模 | 第57-58页 |
| ·算法描述 | 第58-59页 |
| ·算法流程 | 第59页 |
| ·实验分析 | 第59-64页 |
| 第五章 基于AFSA 的聚类算法在区域经济分析中的应用 | 第64-74页 |
| ·区域经济分析 | 第64-67页 |
| ·区域经济分析的背景 | 第64页 |
| ·区域经济分析的主要内容 | 第64-65页 |
| ·区域经济分析的主要方法 | 第65-67页 |
| ·基于AFSA 的聚类算法在区域经济分析中的应用 | 第67-74页 |
| ·指标选取 | 第67-69页 |
| ·数据收集与整理 | 第69-71页 |
| ·实验分析 | 第71-72页 |
| ·结论分析 | 第72-74页 |
| 第六章 总结与展望 | 第74-76页 |
| ·研究总结 | 第74页 |
| ·研究展望 | 第74-76页 |
| 参考文献 | 第76-81页 |
| 致谢 | 第81-82页 |
| 攻读硕士学位期间发表的论文及参与的项目 | 第82页 |
