基于协同进化的聚类问题的研究

论文摘要

数据挖掘(Data Mining)就是从大量的、不完整的、模糊的、含噪声的随机数据中提取出人们感兴趣的知识和信息的过程。这些信息和知识是隐含的、人们预先不知道的、潜在有用的信息。聚类分析是其中的一种目前最有应用前景的方法。经过多年的发展，聚类分析具有坚实的理论基础并形成了系统的方法学体系，然而传统聚类分析方法大多局限于理论上的分析并依赖于对数据分布特征的概率假设，较少考虑具体应用中的实际数据特征与差异。因此，如何克服传统聚类分析方法对这种概率假设的依赖，成为近年来学术界的研究热点。针对上述问题，本文开展了协同进化聚类分析方法的探讨。在分析普通进化算法和传统聚类分析方法机理的基础上，设计了协同进化和协同进化算法的机制。本文基于协同进化的思想给出了一种的协同进化聚类分析方法，并对该算法进行了实验，验证了该方法的有效性。本文最后应用协同进化聚类算法对学生的原始成绩进行等级划分，对学生原始成绩进行等级评定。传统的等级评定方法是基于绝对分数的评价，这种方法存在一些缺陷，按照传统的等级评定方法来评价学生将有失公正，而且也无法合理、有效地评价教师的教学效果。因此本文借鉴数据挖掘中聚类分析的思想，使用基于协同进化的聚类分析算法对学生的原始成绩进行等级划分，可以有效地克服传统评定方法的缺陷。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 背景和选题意义
• 1.2 目前现状及发展方向
• 1.2.1 聚类的研究现状
• 1.2.2 基于进化的聚类算法的研究现状
• 1.2.3 聚类技术在学校教学中应用的现状及意义
• 1.3 本文主要工作及安排
• 第二章 聚类分析
• 2.1 聚类分析的基本概念
• 2.2 聚类分析的数据结构
• 2.3 相似度的度量与准则函数
• 2.4 聚类准则函数
• 2.5 聚类分析的方法
• 2.5.1 层次方法
• 2.5.2 划分方法
• 2.5.3 基于模型的聚类算法
• 2.5.4 模糊聚类算法
• 2.6 本章小结
• 第三章 协同进化
• 3.1 进化算法
• 3.2 进化算法的主要分支
• 3.3 协同进化的基本概念和内容
• 3.4 协同进化发展现状
• 3.5 协同进化主要思想
• 3.6 本章小结
• 第四章 基于协同进化的聚类算法
• 4.1 协同进化算法
• 4.1.1 协同进化算法的基本原理
• 4.1.2 协同进化算法的构成要素
• 4.2 Kmeans 聚类算法
• 4.3 基于进化算法的 Kmeans 算法的提出
• 4.4 协同进化聚类算法
• 4.5 基于协同进化聚类算法的主要结构
• 4.5.1 个体编码方式
• 4.5.2 种群的初始化
• 4.5.3 适应度函数的构造
• 4.5.4 进化操作
• 4.5.5 协同操作
• 4.6 实验结果与理论分析
• 4.7 本章小结
• 第五章 协同进化聚类算法在学生成绩管理中的应用
• 5.1 学生成绩管理的必要性
• 5.2 学生成绩管理的研究现状
• 5.3 学生成绩管理的作用
• 5.4 传统成绩等级划分方法的主要缺点
• 5.5 应用基于协同进化算法的聚类分析来划分成绩
• 5.5.1 聚类分析在评价教学效果中的作用
• 5.5.2 基于协同进化算法的聚类分析的建模
• 5.6 本章小结
• 第六章 总结与展望
• 致谢
• 参考文献
• 研究成果
• 附录一