| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 选题缘由和意义 | 第15-18页 |
| 1.1.1 粒子群进化算法的研究进展 | 第15-16页 |
| 1.1.2 聚类算法的研究进展 | 第16-17页 |
| 1.1.3 数据流聚类算法的研究进展 | 第17-18页 |
| 1.2 本论文的主要工作及内容安排 | 第18-21页 |
| 第二章 动态优化算法及数据流聚类技术 | 第21-29页 |
| 2.1 动态优化问题 | 第21-24页 |
| 2.1.1 环境变化后增加多样性的方法 | 第22页 |
| 2.1.2 基于记忆机制的方法 | 第22-23页 |
| 2.1.3 多种群策略 | 第23-24页 |
| 2.2 数据流聚类算法 | 第24-28页 |
| 2.2.1 数据流的定义 | 第24-25页 |
| 2.2.2 数据流的特点 | 第25页 |
| 2.2.3 数据流聚类算法的分类 | 第25-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 基于正交学习的多种群动态粒子群优化算法 | 第29-43页 |
| 3.1 引言 | 第29-30页 |
| 3.2 相关理论基础 | 第30-36页 |
| 3.2.1 粒子群优化（PSO）算法概述 | 第30页 |
| 3.2.2 基本粒子群优化算法原理 | 第30-32页 |
| 3.2.3 正交实验设计（Orthogonal Experimental Design,OED） | 第32-33页 |
| 3.2.4 正交学习策略（Orthogonal Learning (OL) Strategy） | 第33-35页 |
| 3.2.5 正交学习粒子群优化算法（OLPSO） | 第35-36页 |
| 3.3 基于正交学习的多种群动态粒子群优化算法（OLMPSO） | 第36-38页 |
| 3.3.1 父种群更新 | 第36-37页 |
| 3.3.2 生成新子种群 | 第37页 |
| 3.3.3 子种群重叠检测机制 | 第37页 |
| 3.3.4 环境变化检测 | 第37页 |
| 3.3.5 环境预测机制 | 第37-38页 |
| 3.4 实验结果与分析 | 第38-42页 |
| 3.4.1 实验设置 | 第38-39页 |
| 3.4.2 不同算法的参数设置 | 第39-40页 |
| 3.4.3 OLMPSO和其他动态优化算法的实验比较 | 第40-41页 |
| 3.4.4 父种群规模的变化对算法的影响 | 第41页 |
| 3.4.5 子种群规模的变化对算法的影响 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于正交学习多种群动态粒子群优化的数据流聚类算法 | 第43-55页 |
| 4.1 引言 | 第43-44页 |
| 4.2 相关理论背景 | 第44-45页 |
| 4.2.1 模糊聚类算法FCM | 第44-45页 |
| 4.3 基于正交学习多种群动态粒子群优化的数据流聚类算法 | 第45-47页 |
| 4.3.1 改进的FCM聚类算法 | 第45-47页 |
| 4.3.2 基于正交学习多种群动态粒子群优化的数据流聚类算法 | 第47页 |
| 4.4 实验结果与分析 | 第47-53页 |
| 4.4.1 实验数据与参数设置 | 第47-48页 |
| 4.4.2 性能评价指标 | 第48-49页 |
| 4.4.3 实验结果 | 第49-53页 |
| 4.5 本章小结 | 第53-55页 |
| 第五章 结论和展望 | 第55-57页 |
| 5.1 研究结论 | 第55-56页 |
| 5.2 研究展望 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-65页 |
| 作者简介 | 第65-66页 |
