| 摘要 | 第9-10页 |
| Abstract | 第10-11页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 选题背景与研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 群智能优化算法的研究现状 | 第14-15页 |
| 1.2.2 数据挖掘中聚类分析的研究现状 | 第15-17页 |
| 1.3 本文的研究内容 | 第17-18页 |
| 1.4 本文组织结构 | 第18-19页 |
| 1.5 本章小结 | 第19-20页 |
| 第2章 群智能优化算法相关理论研究 | 第20-36页 |
| 2.1 群智能优化算法概述 | 第20-22页 |
| 2.2 粒子群优化算法概述 | 第22-29页 |
| 2.2.1 算法的基本思想 | 第22页 |
| 2.2.2 算法的仿生原理 | 第22-23页 |
| 2.2.3 算法的流程描述 | 第23-26页 |
| 2.2.4 粒子的邻域拓扑结构 | 第26-27页 |
| 2.2.5 算法的参数分析 | 第27-29页 |
| 2.2.6 算法的优缺点 | 第29页 |
| 2.3 布谷鸟搜索算法概述 | 第29-34页 |
| 2.3.1 算法仿生原理 | 第29-30页 |
| 2.3.2 算法描述 | 第30-33页 |
| 2.3.3 参数分析 | 第33页 |
| 2.3.4 算法主要特点 | 第33-34页 |
| 2.4 本章小结 | 第34-36页 |
| 第3章 聚类分析相关理论及研究 | 第36-46页 |
| 3.1 聚类分析概述 | 第36-37页 |
| 3.1.1 聚类分析基本概念 | 第36页 |
| 3.1.2 聚类分析定义方法 | 第36-37页 |
| 3.2 聚类相似性度量方法 | 第37-40页 |
| 3.2.1 距离公式 | 第38-39页 |
| 3.2.2 相似系数 | 第39-40页 |
| 3.3 两种典型的聚类分析方法 | 第40-45页 |
| 3.3.1 聚类算法的性能指标 | 第40-41页 |
| 3.3.2 聚类分析算法适用性及特点 | 第41页 |
| 3.3.3 K-均值聚类算法概述 | 第41-44页 |
| 3.3.4 K-中心点聚类算法概述 | 第44-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 粒子群优化算法K-均值聚类分析研究 | 第46-62页 |
| 4.1 粒子群优化算法的K-均值聚类思想 | 第46-49页 |
| 4.1.1 算法思想 | 第46页 |
| 4.1.2 过程描述 | 第46-49页 |
| 4.2 融合邻域扰动的简化粒子群K-均值聚类算法（ADPSO-IKM） | 第49-55页 |
| 4.2.1 邻域融合思想 | 第50-51页 |
| 4.2.2 ADPSO算法的实现 | 第51-53页 |
| 4.2.3 基于“集群度”初始优化簇中心选择 | 第53-54页 |
| 4.2.4 ADPSO-IKM算法流程 | 第54-55页 |
| 4.3 仿真实验及分析 | 第55-60页 |
| 4.3.1 仿真数据及参数设置 | 第55-56页 |
| 4.3.2 实验准确性分析 | 第56-57页 |
| 4.3.3 实验收敛性分析 | 第57-60页 |
| 4.4 本章小结 | 第60-62页 |
| 第5章 布谷鸟搜索K-均值聚类分析研究 | 第62-76页 |
| 5.1 布谷鸟搜索算法的K-均值聚类思想 | 第62-64页 |
| 5.1.1 算法思想 | 第62页 |
| 5.1.2 过程描述 | 第62-64页 |
| 5.2 自适应调整的布谷鸟搜索K-均值聚类算法（CSSA-OIKM） | 第64-69页 |
| 5.2.1 编码方式与适应度函数 | 第64页 |
| 5.2.2 CSSA-OIKM算法的实现 | 第64-66页 |
| 5.2.3 融合“集群度”与距离均衡优化初始簇中心 | 第66-68页 |
| 5.2.4 CSSA-OIKM算法流程 | 第68-69页 |
| 5.3 仿真实验及分析 | 第69-73页 |
| 5.3.1 仿真数据及参数设置 | 第69-70页 |
| 5.3.2 实验精确性分析 | 第70-71页 |
| 5.3.3 实验收敛性分析 | 第71-73页 |
| 5.4 本章小结 | 第73-76页 |
| 第6章 总结与展望 | 第76-78页 |
| 6.1 全文总结 | 第76-77页 |
| 6.2 对未来工作的展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士学位期间发表的论文及科研工作 | 第82-83页 |
| 致谢 | 第83页 |
