| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪论 | 第11-15页 |
| ·论文的研究背景、目的及意义 | 第11页 |
| ·高校学生就业管理研究现状分析 | 第11-13页 |
| ·论文的主要工作和创新点 | 第13页 |
| ·论文的结构安排 | 第13-15页 |
| 第2章 蚁群算法概述 | 第15-27页 |
| ·群体智能技术 | 第15-18页 |
| ·群体智能的基本特征 | 第16页 |
| ·群体智能的优势 | 第16-17页 |
| ·蚁群优化与粒子群优化 | 第17-18页 |
| ·蚁群算法的基本原理 | 第18-22页 |
| ·蚁群算法的基本思想 | 第18-19页 |
| ·基本蚁群算法流程 | 第19-21页 |
| ·蚁群算法的应用 | 第21-22页 |
| ·蚁群算法的改进 | 第22-26页 |
| ·蚁群系统 | 第22-23页 |
| ·最大-最小蚂蚁系统 | 第23页 |
| ·精英蚂蚁系统 | 第23-24页 |
| ·基于排序的蚁群算法 | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 用于聚类分析的数据挖掘技术 | 第27-34页 |
| ·聚类分析的定义 | 第27页 |
| ·聚类分析的主要方法 | 第27-31页 |
| ·系统聚类分析法 | 第28-30页 |
| ·K 均值聚类分析法 | 第30-31页 |
| ·k-prototypes 聚类分析算法 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第4章 基于蚁群算法的高校就业数据聚类分析 | 第34-44页 |
| ·高校就业数据预处理与净化 | 第34页 |
| ·一种改进的自适应蚁群算法 | 第34-37页 |
| ·自适应蚁群算法的原理 | 第34-35页 |
| ·改进的自适应蚁群算法的步骤 | 第35-37页 |
| ·融合蚁群算法和 k-prototypes 算法的聚类分析技术 | 第37-41页 |
| ·融合蚁群算法和K-prototypes 算法的基本思路 | 第37页 |
| ·关于蚁群聚类算法的改进 | 第37-38页 |
| ·与 K-prototypes 算法融合的蚁群算法的描述 | 第38-41页 |
| ·核心算法流程 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第5章 高校就业管理系统的设计与实现 | 第44-62页 |
| ·系统开发技术、工具与环境概述 | 第44-47页 |
| ·Spring 框架 | 第44-45页 |
| ·Struts 框架 | 第45-46页 |
| ·Hibernate 框架 | 第46-47页 |
| ·系统总体设计 | 第47-48页 |
| ·网站管理模块 | 第47-48页 |
| ·招聘、应聘管理模块 | 第48页 |
| ·就业管理模块 | 第48页 |
| ·就业跟踪调查模块 | 第48页 |
| ·档案、报到证管理模块 | 第48页 |
| ·系统管理模块 | 第48页 |
| ·系统详细设计 | 第48-56页 |
| ·Struts 前台实现 | 第50-52页 |
| ·后台业务逻辑层实现 | 第52页 |
| ·AJAX 技术 | 第52-53页 |
| ·数据库的实现 | 第53-56页 |
| ·就业管理系统部分界面展示 | 第56页 |
| ·就业数据聚类分析模块的实现 | 第56-59页 |
| ·就业数据聚类分析模块的对比性能测试 | 第59-61页 |
| ·测试数据描述 | 第59-60页 |
| ·测试结果比较及分析说明 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 第6章 结论与展望 | 第62-64页 |
| ·总结 | 第62页 |
| ·展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第67-68页 |
| 致谢 | 第68-69页 |
| 作者简介 | 第69-70页 |
| 详细摘要 | 第70-83页 |
