近年來,由于互聯(lián)網(wǎng)的快速發(fā)展及數(shù)據(jù)庫技術(shù)的普及,各種信息資源成指數(shù)級規(guī)模增長。傳感和存儲技術(shù)的廣泛使用以及數(shù)字成像和視頻監(jiān)控等應(yīng)用的急劇增長創(chuàng)造了許多高容量,高維度的數(shù)據(jù)集。人們迫切的需要在龐大的數(shù)據(jù)海洋中找到自己感興趣的信息,幫助自己做出合理的決策。數(shù)據(jù)挖掘技術(shù)(Data Mining)就是在這種背景下被廣泛研究并取得很大成功。聚類分析技術(shù)(Clustering Analysis)作為數(shù)據(jù)挖掘中十分強(qiáng)大的工具,受到人們越來越多的關(guān)注,其在圖像處理,模式識別,機(jī)器學(xué)習(xí),信息檢索等諸多領(lǐng)域得到成功應(yīng)用。聚類分析是根據(jù)“物以類聚”的思想,對樣本或數(shù)據(jù)點(diǎn)進(jìn)行分類的一種多元統(tǒng)計(jì)分析方法。聚類目標(biāo)是將數(shù)據(jù)分類到不同的類或者簇的一個(gè)過程,滿足同一個(gè)簇中的對象有很大的相似性,而不同簇間的對象有很大的相異性。本文重點(diǎn)研究了K-means等基于分區(qū)的聚類方法,但是K-means對初始解很敏感,并且很容易陷入局部最優(yōu),因此在本文中引入了幾種智能優(yōu)化算法來求解一些聚類問題。智能優(yōu)化算法處理許多實(shí)際問題時(shí)可以在合理時(shí)間內(nèi)得到質(zhì)量不錯(cuò)的解。常用的智能優(yōu)化算法包括貪心算法,爬山算法,模擬退火算法,遺傳算法,禁忌搜...

【文章頁數(shù)】：124 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究課題的背景
    1.2 聚類的定義
    1.3 常用聚類算法介紹
    1.4 聚類分析的研究進(jìn)展
    1.5 智能優(yōu)化算法介紹
    1.6 本文的主要工作介紹及結(jié)構(gòu)安排
2 國內(nèi)外相關(guān)研究綜述
    2.1 帶有容量限制的聚類問題研究現(xiàn)狀
    2.2 網(wǎng)絡(luò)上的最小平方和聚類問題研究現(xiàn)狀
    2.3 平衡的最小平方和聚類問題研究現(xiàn)狀
    2.4 本章小結(jié)
3 基于策略擾動(dòng)的禁忌搜索算法求解帶有容量限制聚類問題
    3.1 帶有容量限制聚類問題概述
    3.2 禁忌搜索算法求解CCP
    3.3 計(jì)算結(jié)果
    3.4 算法分析
    3.5 本章小結(jié)
4 文化基因算法求解帶有容量限制聚類問題
    4.1 文化基因算法
    4.2 實(shí)驗(yàn)結(jié)果
    4.3 算法分析
    4.4 本章小結(jié)
5 基于重構(gòu)局部搜索的文化基因算法求解在網(wǎng)絡(luò)上的最小平方和聚類問題
    5.1 問題描述
    5.2 文化基因算法求解E-MSSC
    5.3 計(jì)算實(shí)驗(yàn)
    5.4 算法分析
    5.5 本章小結(jié)
6 混合進(jìn)化算法求解平衡最小平方和聚類問題
    6.1 問題描述
    6.2 混合進(jìn)化算法求解BMSSC
    6.3 計(jì)算實(shí)驗(yàn)
    6.4 分析與討論
    6.5 本章小結(jié)
7 總結(jié)與展望
    7.1 全文總結(jié)
    7.2 研究展望
致謝
參考文獻(xiàn)
附錄1 攻讀學(xué)位期間發(fā)表論文目錄
附錄2 攻讀博士學(xué)位期間參與的科研項(xiàng)目
附錄3 算法實(shí)驗(yàn)結(jié)果附表



本文編號：3799995