毕业设计-群智能在大规模数据处理中的应用—蚁群优化算法在网页搜索中的应用，共46页，10664字，附开题报告等
摘要
群智能算法作为一种新兴的演化计算技术，已成为越来越多研究者的关注焦点，其模拟社会性动物的各种群体行为，利用群体中的个体之间的信息交互和合作来实现寻优的目的。与其它类型的优化方法相比，其实现较为简单、效率较高。群智能理论研究领域主要有两种算法：蚁群算法和粒子群优化算法。而本文将主要就蚁群算法作为主要研究内容，蚁群算法是对蚂蚁群落食物采集过程的模拟，已成功应用于许多离散优化问题。
本文对群智能在大规模数据处理中的应用进行研究与分析，详细介绍蚁群算法及其特点。采用蚁群优化算法，对网页内容进行模糊搜索，以此达到研究目的。同时引入粒子群算法，将蚁群与粒子群优化算法的效率进行对比，并对二者的优缺点和在本项目中的应用作出具体的评价。
关键词：群智能优化算法；蚁群优化算法；粒子群优化算法；网页搜索

目录
第一章 引言 - 7 -
第二章 ACO算法 - 8 -
2.1 基本思想 - 8 -
2.2 基本ACO算法 - 9 -
2.2.1 算法描述 - 9 -
2.2.2 流程描述 - 10 -
第三章 ACO算法的系统学特征 - 11 -
3.1 ACO算法是一个系统 - 11 -
3.2 分布式计算 - 11 -
3.3 自组织 - 11 -
3.4 正反馈 - 11 -
第四章 基本ACO算法的机制原理 - 13 -
4.1 ACO算法的基本假设 - 13 -
4.2 基本蚁群算法的逻辑结构 - 13 -
第五章 ACO算法在网页搜索中的应用 - 15 -
5.1 可行性分析 - 15 -
5.1.1技术可行性 - 15 -
5.1.2 操作可行性 - 15 -
5.2 交互界面设计 - 15 -
5.2.1 实现方法概述 - 15 -
5.2.2 多线程编程 - 16 -
5.2.3 界面代码 - 18 -
5.3 ACO算法的设计 - 19 -
5.3.1 实现方法概述 - 20 -
5.3.2 ACO算法代码 - 21 -
第六章 PSO算法与ACO算法的比较 - 22 -
6.1 两种基本算法的比较 - 22 -
6.2 算法比较代码（以搜索时间为主进行比较） - 22 -
第七章 结论和建议 - 28 -
7.1 结论分析 - 28 -
7.2 建议 - 28 -
第八章 调试及测试 - 29 -
8.1 测试策略 - 29 -
8.2 测试环境 - 29 -
8.2.1 操作系统 - 29 -
参考文献 - 33 -
致谢 - 46 -

主要内容
主要工作：
1、数据准备与数据处理的研究：要分析研究校园网用户行为，就必须
建立一个能反映用户特征的多维数据特征项，从大量的参数中提取用户行为特
征项，构建数据分析的基础。
2、适于多维数据的聚类算法模型构建研究：聚类分析可以将海量数据
按各自的特性来进行合理的分类，从中提取出有价值的信息，传统的聚类算法
包括基于分割的算法如K-means算法, K-medoids算法；基于分层的算法如
BIRCH；基于密度的算法；基于网格的算法；基于模型的算法如神经网络，自
组织映射神经网络（SOM）。当前群体智能算法逐渐应用于聚类算法，其中基
于蚁群算法的聚类算法和基于蜂群算法的聚类算法是当前最为常用的算法。
3、聚类结果验证模型的研究：当聚类分析结束后，如何对聚类结果进
行验证，是正确检验聚类算法有效性的关键。在大多数应用中，没有预先定义
的分类或示例来表明数据集中哪种期望的关系是有效的，所以迫切需要一种客
观公正的质量评价方法来评判聚类结果的有效性。
技术路线：
在充分吸收数据聚类分析领域研究成果的基础上，通过对数据进行清理和
集成，分析比较各种聚类方法的特点及优势，结合校园网用户行为自身的特点
，建立用户行为分析模型，并构建聚类分析评估模型是本项目的关键。
1、数据清理和集成：因为信息库中的信息可能具有不完整性，因此我
们必须首先对信息库中的数据进行处理。可以将收集到的有关校园网络的用户
行为的数据进行初步清洗和分类。
2、数据选择和变换：从数据库中检索与分析任务相关的数据，并将数
据进行一定的变换，转换或者统一为适合挖掘的形式，如通归一化、离散化和
.......

论文大小：904.74KB
论文格式：word+pdf
论文专业：计算机科学与技术
论文编号：207703
论文文件预览：
共2文件夹，6个文件，文件总大小：904.74KB，打包后大小：518.12KB

• 毕业设计-群智能在大规模数据处理中的应用—蚁群优化算法在网页搜索中的应用
• 1091000183
• 1091000183-蔡頔.doc  [881.00KB]
• 1091000183_中期检查表.pdf  [3.40KB]
• 1091000183_开题报告.pdf  [5.49KB]
• 1091000183_成绩单.pdf  [2.23KB]
• 1091000183_答辩记录单.pdf  [2.41KB]
• 1091000183_进度报告.pdf  [10.21KB]