摘要 | 第4-6页 |
Abstract | 第6-8页 |
第1章 绪论 | 第13-20页 |
1.1 研究背景及研究意义 | 第13-15页 |
1.1.1 研究背景 | 第13-14页 |
1.1.2 研究意义 | 第14-15页 |
1.2 研究思路及研究内容 | 第15-18页 |
1.2.1 研究思路 | 第15-17页 |
1.2.2 研究内容 | 第17-18页 |
1.3 研究技术路线及研究方法 | 第18-20页 |
1.3.1 研究技术路线 | 第18-19页 |
1.3.2 研究方法 | 第19-20页 |
第2章 基础理论及国内外研究现状 | 第20-52页 |
2.1 群智能优化理论概述 | 第20-32页 |
2.1.1 群智能优化理论内涵 | 第20-21页 |
2.1.2 主要群智能算法 | 第21-25页 |
2.1.3 测试函数 | 第25-32页 |
2.2 聚类理论概述 | 第32-46页 |
2.2.1 聚类理论内涵 | 第32页 |
2.2.2 主要聚类方法 | 第32-41页 |
2.2.3 聚类评价指标 | 第41-44页 |
2.2.4 主要相似度度量方法 | 第44-46页 |
2.3 国内外研究现状 | 第46-51页 |
2.3.1 国内外研究现状总结 | 第46-50页 |
2.3.2 目前研究的不足 | 第50-51页 |
2.4 本章小结 | 第51-52页 |
第3章 基于改进果蝇优化的密度峰值聚类方法及应用 | 第52-70页 |
3.1 原始果蝇优化方法 | 第52-54页 |
3.1.1 理论模型 | 第52页 |
3.1.2 算法流程 | 第52-54页 |
3.2 基于知识学习的果蝇优化方法 | 第54-62页 |
3.2.1 理论模型 | 第54-55页 |
3.2.2 知识学习策略 | 第55-56页 |
3.2.3 算法流程 | 第56-57页 |
3.2.4 仿真模拟实验 | 第57-62页 |
3.3 基于改进果蝇优化的密度峰值聚类方法 | 第62-66页 |
3.3.1 理论模型 | 第62页 |
3.3.2 仿真模拟实验 | 第62-66页 |
3.4 基于改进果蝇优化的密度峰值聚类方法的实际应用 | 第66-69页 |
3.4.1 研究背景 | 第66页 |
3.4.2 数据分析 | 第66-69页 |
3.5 本章小结 | 第69-70页 |
第4章 基于改进布谷鸟优化的密度峰值聚类方法及应用 | 第70-91页 |
4.1 原始布谷鸟优化方法 | 第70-74页 |
4.1.1 理论模型 | 第70-72页 |
4.1.2 算法流程 | 第72-74页 |
4.2 基于动态发现概率的布谷鸟优化方法 | 第74-83页 |
4.2.1 理论模型 | 第74-75页 |
4.2.2 算法流程 | 第75-76页 |
4.2.3 仿真模拟实验 | 第76-83页 |
4.3 基于改进布谷鸟优化的密度峰值聚类方法 | 第83-87页 |
4.3.1 理论模型 | 第83-84页 |
4.3.2 仿真模拟实验 | 第84-87页 |
4.4 基于改进布谷鸟优化的密度峰值聚类方法的实际应用 | 第87-89页 |
4.4.1 研究背景 | 第87页 |
4.4.2 数据分析 | 第87-89页 |
4.5 本章小结 | 第89-91页 |
第5章 基于智能选择优化的密度峰值聚类方法及应用 | 第91-114页 |
5.1 基于智能选择的优化方法 | 第91-98页 |
5.1.1 理论模型 | 第91-92页 |
5.1.2 算法流程 | 第92-94页 |
5.1.3 仿真模拟实验 | 第94-98页 |
5.2 基于智能选择优化的密度峰值聚类方法 | 第98-112页 |
5.2.1 算法描述 | 第98-99页 |
5.2.2 算法流程 | 第99-100页 |
5.2.3 仿真模拟实验 | 第100-112页 |
5.3 基于智能选择优化的密度峰值聚类方法的实际应用 | 第112-113页 |
5.3.1 研究背景 | 第112页 |
5.3.2 数据分析 | 第112-113页 |
5.4 本章小结 | 第113-114页 |
第6章 结论与展望 | 第114-118页 |
6.1 研究结论及创新点 | 第114-116页 |
6.1.1 研究结论 | 第114-115页 |
6.1.2 研究创新点 | 第115-116页 |
6.2 研究局限和未来展望 | 第116-118页 |
6.2.1 研究局限 | 第116页 |
6.2.2 未来展望 | 第116-118页 |
参考文献 | 第118-134页 |
个人简介及攻读博士学位期间取得的科研成果 | 第134-136页 |
致谢 | 第136页 |