| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 布谷鸟搜索算法研究现状 | 第11-12页 |
| 1.2.2 K-means聚类方法研究现状 | 第12页 |
| 1.2.3 利用Hadoop进行数据挖掘算法并行化研究现状 | 第12-13页 |
| 1.3 研究目的与主要研究内容 | 第13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 2 相关算法和并行化平台分析 | 第15-37页 |
| 2.1 布谷鸟搜索算法 | 第15-20页 |
| 2.1.1 莱维飞行现象 | 第15-17页 |
| 2.1.2 原始布谷鸟搜索算法及特点 | 第17-18页 |
| 2.1.3 原始布谷鸟搜索算法步骤 | 第18-20页 |
| 2.2 量子搜索算法 | 第20-22页 |
| 2.2.1 量子运算公式 | 第20-22页 |
| 2.2.2 量子搜索算法的特点 | 第22页 |
| 2.3 K-means聚类算法及问题 | 第22-25页 |
| 2.3.1 传统K-means聚类算法概述 | 第22-23页 |
| 2.3.2 K-means算法中的定义和执行步骤 | 第23-24页 |
| 2.3.3 K-means算法的优缺点 | 第24-25页 |
| 2.4 Hadoop分布式计算平台 | 第25-36页 |
| 2.4.1 Hadoop平台概述 | 第26-28页 |
| 2.4.2 HDFS文件系统 | 第28-30页 |
| 2.4.3 MapReduce框架 | 第30-33页 |
| 2.4.4 YARN资源管理系统 | 第33-36页 |
| 2.5 本章小结 | 第36-37页 |
| 3 布谷鸟搜索算法的自适应和量子运算改进 | 第37-43页 |
| 3.1 布谷鸟搜索算法的自适应步长改进 | 第37-40页 |
| 3.1.1 自适应布谷鸟算法描述 | 第37-38页 |
| 3.1.2 自适应布谷鸟搜索算法鸟巢位置更新公式 | 第38页 |
| 3.1.3 自适应步长布谷鸟搜索算法的执行步骤 | 第38-40页 |
| 3.2 布谷鸟搜索算法的量子运算改进 | 第40-42页 |
| 3.2.1 布谷鸟搜索算法位置更新公式的改进 | 第40-41页 |
| 3.2.2 位置更新公式改进后的布谷鸟搜索算法步骤 | 第41-42页 |
| 3.3 本章小结 | 第42-43页 |
| 4 QACS算法与K-means算法的融合及并行化实现 | 第43-53页 |
| 4.1 QACS算法和K-means算法的融合 | 第43-47页 |
| 4.1.1 提出算法的编码方法和适应度函数 | 第43-44页 |
| 4.1.2 新算法QACS-KMeans的执行步骤 | 第44-47页 |
| 4.2 QACS-KMeans算法的并行化实现 | 第47-52页 |
| 4.2.1 新算法QACS的并行化分析 | 第48-49页 |
| 4.2.2 原始K-means算法的并行化分析 | 第49页 |
| 4.2.3 并行QACS-KMeans算法的执行步骤 | 第49-52页 |
| 4.3 本章小结 | 第52-53页 |
| 5 QACS-KMeans并行算法模拟实验与结果分析 | 第53-67页 |
| 5.1 实验环境 | 第53-59页 |
| 5.1.1 Hadoop伪分布式集群详情 | 第53-54页 |
| 5.1.2 搭建Hadoop伪分布式集群 | 第54-58页 |
| 5.1.3 启动Hadoop伪分布式集群 | 第58-59页 |
| 5.2 算法准确性实验 | 第59-64页 |
| 5.2.1 实验内容 | 第59-60页 |
| 5.2.2 实验方法与过程 | 第60-61页 |
| 5.2.3 实验结果及分析 | 第61-64页 |
| 5.3 算法效率实验 | 第64-66页 |
| 5.3.1 实验内容 | 第64页 |
| 5.3.2 实验方法与过程 | 第64页 |
| 5.3.3 实验结果及分析 | 第64-66页 |
| 5.4 本章小结 | 第66-67页 |
| 6 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 附录 | 第75页 |
| A 作者在攻读学位期间发表的论文目录 | 第75页 |
| B 作者在攻读学位期间取得的科研成果目录 | 第75页 |
