蚁群算法在聚类分析中的应用研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-13页 |
| ·研究背景 | 第9页 |
| ·国内外研究现状 | 第9-12页 |
| ·蚁群算法 | 第9-11页 |
| ·聚类分析 | 第11页 |
| ·蚁群聚类算法 | 第11-12页 |
| ·本文组织 | 第12-13页 |
| 第2章 蚁群算法及改进 | 第13-32页 |
| ·基本蚁群算法 | 第13-24页 |
| ·基本蚁群算法的思想及基本原理 | 第13-15页 |
| ·基本蚁群算法的数学模型 | 第15-18页 |
| ·基本蚁群算法的流程 | 第18-19页 |
| ·基本蚁群算法的实现 | 第19-23页 |
| ·蚁群算法的规则 | 第19-20页 |
| ·规则的实现 | 第20-23页 |
| ·基本蚁群算法优缺点分析 | 第23-24页 |
| ·改进的蚁群算法 | 第24-29页 |
| ·蚁群系统 | 第24-25页 |
| ·最大-最小蚁群算法 | 第25-26页 |
| ·基于扰动因子的MMAS改进算法 | 第26-29页 |
| ·算法改进思路 | 第27页 |
| ·算法流程与描述 | 第27-29页 |
| ·实验验证 | 第29-31页 |
| ·数据描述 | 第29页 |
| ·算法比较及分析说明 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 第3章 聚类分析 | 第32-43页 |
| ·几种常见聚类分析 | 第32-38页 |
| ·基于蚁堆原理的聚类分析 | 第32-35页 |
| ·LF算法 | 第33-34页 |
| ·基于信息熵的LF算法 | 第34-35页 |
| ·基于蚂蚁觅食行为的聚类分析 | 第35-38页 |
| ·k-means算法 | 第35-36页 |
| ·基于信息素的k-means算法 | 第36-38页 |
| ·基于混合距离的k-means的改进算法 | 第38-40页 |
| ·算法改进思路 | 第38-39页 |
| ·改进算法的描述 | 第39-40页 |
| ·实验验证 | 第40-41页 |
| ·数据描述 | 第40-41页 |
| ·结果比较及分析说明 | 第41页 |
| ·本章小结 | 第41-43页 |
| 第4章 组合蚁群聚类算法 | 第43-48页 |
| ·算法思路 | 第43-45页 |
| ·算法描述及流程 | 第45-46页 |
| ·实验验证 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第5章 总结与展望 | 第48-50页 |
| ·本文总结 | 第48页 |
| ·展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 攻读学位期间的主要研究成果 | 第54页 |
