隨著信息技術(shù)的飛速發(fā)展,移動(dòng)互聯(lián)網(wǎng)絡(luò)廣泛普及,大量快速更新的數(shù)據(jù)使得現(xiàn)實(shí)問(wèn)題復(fù)雜度隨之增加。如何高效快速進(jìn)行大數(shù)據(jù)分析,引起學(xué)者廣泛關(guān)注。大數(shù)據(jù)研究旨在大量動(dòng)態(tài)變化數(shù)據(jù)中搜尋有價(jià)值的信息,例如數(shù)據(jù)分析,數(shù)據(jù)分類,預(yù)測(cè)和描述性統(tǒng)計(jì)等。群智能算法是能夠有效處理大數(shù)據(jù)問(wèn)題的算法之一,有較強(qiáng)應(yīng)用性。當(dāng)處理大型復(fù)雜問(wèn)題時(shí),群智能算法作為啟發(fā)于種群間協(xié)同合作的智能算法,能提出有效的解決策略。聚類分析技術(shù)將具有相似特征的數(shù)據(jù)聚集在同一簇類中,并將特征差異較大數(shù)據(jù)分別存于不同類別中,屬于一種高效數(shù)據(jù)聚合技術(shù)。將群智能算法與聚類算法結(jié)合,可以更有效地解決高維數(shù)據(jù)分析問(wèn)題,同時(shí)研究改進(jìn)策略提升原算法性能,解決現(xiàn)實(shí)領(lǐng)域中的數(shù)據(jù)處理問(wèn)題。本文將優(yōu)化后的蜂群算法應(yīng)用于密度峰值聚類算法,利用人工蜂群算法快速搜索最優(yōu)解的優(yōu)勢(shì),提升算法的數(shù)據(jù)聚集性能。本文的主要內(nèi)容和創(chuàng)新如下:（1）提出一種高效普適尋優(yōu)的蜂群優(yōu)化算法（EUBCOA）。該算法提出了兩種改進(jìn)方法,首先引入搜索因子u,同時(shí)采用基于局部最優(yōu)解的跟隨蜂選擇策略。為了實(shí)現(xiàn)算法搜索能力的可控性,引入搜索因子u調(diào)控算法全局搜索與局部搜索范圍。在迭代前期,擴(kuò)大搜尋范圍... 

【文章來(lái)源】：長(zhǎng)春工業(yè)大學(xué)吉林省

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外發(fā)展現(xiàn)狀
    1.3 主要研究工作
    1.4 論文組織結(jié)構(gòu)
    1.5 本章小結(jié)
第2章 算法相關(guān)知識(shí)
    2.1 群體智能算法概述
        2.1.1 群體智能算法的分類
        2.1.2 人工蜂群算法
    2.2 聚類算法理論概述
        2.2.1 聚類算法分類
        2.2.2 密度峰值聚類算法
        2.2.3 聚類有效性評(píng)價(jià)指標(biāo)
    2.3 本章小結(jié)
第3章 一種高效普適尋優(yōu)的蜂群優(yōu)化算法
    3.1 一種高效普適尋優(yōu)的蜂群優(yōu)化算法
        3.1.1 理論模型
        3.1.2 搜索因子的改進(jìn)原理
        3.1.3 基于局部最優(yōu)解的跟隨蜂選擇策略
        3.1.4 算法流程
    3.2 仿真模擬實(shí)驗(yàn)
        3.2.1 實(shí)驗(yàn)設(shè)計(jì)
        3.2.2 算法尋優(yōu)精度分析
        3.2.3 與其它改進(jìn)蜂群算法的比較分析
        3.2.4 算法收斂速率分析
    3.3 本章小節(jié)
第4章 基于自適應(yīng)強(qiáng)度調(diào)節(jié)因子的蜂群算法
    4.1 基于自適應(yīng)強(qiáng)度調(diào)節(jié)因子的蜂群算法
        4.1.1 理論模型
        4.1.2 自適應(yīng)強(qiáng)度調(diào)節(jié)因子
        4.1.3 算法流程
    4.2 仿真模擬實(shí)驗(yàn)
        4.2.1 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置
        4.2.2 尋優(yōu)精度分析
        4.2.3 收斂速度分析
    4.4 本章小節(jié)
第5章 基于人工蜂群的改進(jìn)密度峰值聚類算法
    5.1 基于人工蜂群的改進(jìn)密度峰值聚類算法
        5.1.1 理論模型
        5.1.2 隨機(jī)方向向量因子
        5.1.3 基于人工蜂群的密度峰值聚類算法
        5.1.4 算法流程
    5.2 仿真模擬實(shí)驗(yàn)
        5.2.1 聚類結(jié)果的評(píng)價(jià)指標(biāo)對(duì)比分析
        5.2.2 算法在不同數(shù)據(jù)集聚類結(jié)果分析
    5.3 IDPCA算法在經(jīng)濟(jì)領(lǐng)域中的應(yīng)用
        5.3.1 數(shù)據(jù)描述
        5.3.2 仿真模擬實(shí)驗(yàn)
    5.4 本章小節(jié)
第6章 總結(jié)與展望
致謝
參考文獻(xiàn)
作者簡(jiǎn)介
攻讀碩士學(xué)位期間研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)蜂群算法的K-means算法[J]. 于佐軍,秦歡.  控制與決策. 2018(01)
[2]復(fù)雜網(wǎng)絡(luò)大數(shù)據(jù)中重疊社區(qū)檢測(cè)算法[J]. 喬少杰,韓楠,張凱峰,鄒磊,王宏志,Louis Alberto GUTIERREZ.  軟件學(xué)報(bào). 2017(03)
[3]EDDPC:一種高效的分布式密度中心聚類算法[J]. 鞏樹(shù)鳳,張巖峰.  計(jì)算機(jī)研究與發(fā)展. 2016(06)
[4]一種基于密度峰值發(fā)現(xiàn)的文本聚類算法[J]. 劉穎瑩,劉培玉,王智昊,李情情,朱振方.  山東大學(xué)學(xué)報(bào)(理學(xué)版). 2016(01)
[5]一種改進(jìn)的人工蜂群算法[J]. 臧明相,馬軒,段奕明.  西安電子科技大學(xué)學(xué)報(bào). 2015(02)
[6]量子位Bloch坐標(biāo)的量子人工蜂群優(yōu)化算法[J]. 易正俊,何榮花,侯坤.  計(jì)算機(jī)應(yīng)用. 2012(07)

博士論文
[1]基于群智能優(yōu)化理論的聚類改進(jìn)方法及應(yīng)用研究[D]. 周瑞紅.吉林大學(xué) 2017

碩士論文
[1]一種改進(jìn)的密度峰值聚類算法及其應(yīng)用研究[D]. 趙甜甜.吉林大學(xué) 2019
[2]基于群體智能優(yōu)化的聚類算法研究[D]. 劉翹銘.長(zhǎng)春工業(yè)大學(xué) 2018
[3]基于群體智能聚類研究及其在股市板塊分析中的應(yīng)用[D]. 邱兵.長(zhǎng)春工業(yè)大學(xué) 2017
[4]面向復(fù)雜結(jié)構(gòu)數(shù)據(jù)的近鄰傳播聚類算法研究[D]. 姬強(qiáng).吉林財(cái)經(jīng)大學(xué) 2016



本文編號(hào)：3155521