| 摘要 | 第6-8页 |
| ABSTRACT | 第8页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究课题的背景及意义 | 第9页 |
| 1.2 蚁群算法的研究现状及发展前景 | 第9-11页 |
| 1.3 聚类分析的研究现状及发展前景 | 第11-12页 |
| 第二章 蚁群算法 | 第12-32页 |
| 2.1 群体智能 | 第12-13页 |
| 2.2 旅行商问题 | 第13页 |
| 2.3 蚁群算法原理 | 第13-15页 |
| 2.4 蚁群优化算法 | 第15-25页 |
| 2.4.1 简单蚁群优化算法 | 第15-18页 |
| 2.4.2 蚂蚁系统算法 | 第18-21页 |
| 2.4.3 蚁群系统算法 | 第21-24页 |
| 2.4.4 基于遗传算法的蚁群优化算法 | 第24-25页 |
| 2.4.5 禁忌搜索蚁群优化算法 | 第25页 |
| 2.5 引入奖罚机制的蚁群优化算法(RPACO) | 第25-32页 |
| 2.5.1 算法思想 | 第25-27页 |
| 2.5.2 算法流程 | 第27-28页 |
| 2.5.3 实验对比 | 第28-30页 |
| 2.5.4 蚁群优化算法的参数设置的研究 | 第30-32页 |
| 第三章 聚类分析 | 第32-43页 |
| 3.1 数据挖掘 | 第32-36页 |
| 3.1.1 数据挖掘定义 | 第32-33页 |
| 3.1.2 数据挖掘的知识模式 | 第33-35页 |
| 3.1.3 数据挖掘的应用领域 | 第35-36页 |
| 3.2 聚类分析 | 第36-40页 |
| 3.2.1 聚类分析概述 | 第36-37页 |
| 3.2.2 数据挖掘对聚类分析的要求 | 第37-38页 |
| 3.2.3 聚类分析中的数据类型及相似度计算 | 第38-40页 |
| 3.3 聚类分析常用算法 | 第40-43页 |
| 第四章 蚁群聚类算法 | 第43-58页 |
| 4.1 基本蚁群聚类模型 | 第43-44页 |
| 4.2 多种蚁群聚类模型 | 第44-46页 |
| 4.3 标准蚁群聚类算法——Lumer-Faieta算法 | 第46-48页 |
| 4.4 改进的蚁群聚类算法 | 第48-58页 |
| 4.4.1 算法改进思想 | 第48-52页 |
| 4.4.2 算法描述 | 第52-53页 |
| 4.4.3 算法流程 | 第53-55页 |
| 4.4.4 聚类算法测评方法 | 第55-56页 |
| 4.4.5 实验对比 | 第56-58页 |
| 第五章 蚁群聚类算法在信用卡申请客户分类中的应用 | 第58-69页 |
| 5.1 实验设计 | 第58-60页 |
| 5.2 应用结果分析 | 第60-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间发表的论文和参与的项目 | 第75-76页 |
| 致谢 | 第76页 |