蚁群聚类算法的研究与应用
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-14页 |
| ·引言 | 第10页 |
| ·国内外研究现状及未来发展趋势 | 第10-12页 |
| ·国外研究现状 | 第11页 |
| ·国内研究现状 | 第11页 |
| ·未来发展趋势 | 第11-12页 |
| ·本文研究的主要内容 | 第12-14页 |
| 2 相关理论基础研究 | 第14-38页 |
| ·数据挖掘 | 第14-19页 |
| ·数据挖掘的任务 | 第14-16页 |
| ·数据挖掘的分类 | 第16-17页 |
| ·数据挖掘的方法 | 第17-19页 |
| ·聚类分析 | 第19-30页 |
| ·聚类分析的定义 | 第19-20页 |
| ·聚类分析的方法 | 第20-26页 |
| ·聚类分析中的数据类型 | 第26-28页 |
| ·聚类准则的确定 | 第28-29页 |
| ·聚类分析的度量标准 | 第29-30页 |
| ·蚁群算法 | 第30-38页 |
| ·基本蚁群优化算法 | 第31页 |
| ·基本蚁群算法原理 | 第31-33页 |
| ·基本蚁群算法模型 | 第33-34页 |
| ·TSP 问题的描述 | 第34页 |
| ·蚁群算法的描述 | 第34-36页 |
| ·蚁群算法的流程 | 第36-37页 |
| ·蚁群算法的研究现状 | 第37-38页 |
| 3 基于蚂蚁觅食原理的聚类组合算法 | 第38-52页 |
| ·GCBP 算法 | 第38-47页 |
| ·LF 算法 | 第38-39页 |
| ·GCBP 算法 | 第39-45页 |
| ·GCBP 算法基本思想 | 第39-40页 |
| ·GCBP 算法基本原理 | 第40页 |
| ·关于信息素 | 第40-41页 |
| ·关于蚂蚁转换概率 | 第41-42页 |
| ·关于局部相似度 | 第42-43页 |
| ·关于蚂蚁拾起和放下对象的概率 | 第43页 |
| ·GCBP 算法步骤及复杂度分析 | 第43-45页 |
| ·GCBP 算法与 LF 算法的比较 | 第45-47页 |
| ·基于信息素的划分法聚类算法 PCBP | 第47-51页 |
| ·k-means 算法简介 | 第47-48页 |
| ·PCBP 算法 | 第48-50页 |
| ·基本思想 | 第48页 |
| ·PCBP 算法描述 | 第48-50页 |
| ·PCBP 算法与 K-means 算法的比较 | 第50-51页 |
| ·聚类组合算法 | 第51-52页 |
| 4 蚁群聚类组合算法在证券行业客户细分中的应用 | 第52-61页 |
| ·证券行业背景 | 第52-53页 |
| ·应用设计步骤 | 第53-54页 |
| ·蚁群聚类组合算法在证券行业客户细分中的应用 | 第54-61页 |
| ·实验过程 | 第54-59页 |
| ·实验结果分析 | 第59-61页 |
| 5 结论与展望 | 第61-63页 |
| ·结论 | 第61-62页 |
| ·展望 | 第62-63页 |
| 攻读硕士学位期间发表的学术论文 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
