大數(shù)據(jù)元啟發(fā)式算法教程

目錄
第1章　優(yōu)化與大數(shù)據(jù)　//1
1．1　大數(shù)據(jù)環(huán)境　//2
1．1．1　大數(shù)據(jù)環(huán)境示例　//3
1．1．2　定義　//4
1．1．3 大數(shù)據(jù)面臨的挑戰(zhàn)　//6
1．1．4　元啟發(fā)式算法和大數(shù)據(jù)　//9
1．2　大數(shù)據(jù)中的知識發(fā)現(xiàn)　//11
1．2．1　數(shù)據(jù)挖掘與知識發(fā)現(xiàn)　//11
1．2．2　主要的數(shù)據(jù)挖掘任務　//13
1．2．3　數(shù)據(jù)挖掘任務作為優(yōu)化問題　//17
1．3　數(shù)據(jù)挖掘算法的性能分析　//17
1．3．1　環(huán)境　//17
1．3．2　一個或多個數(shù)據(jù)集評估　//19
1．3．3　存儲庫和數(shù)據(jù)集　//20
1．4　本章小結　//21
第2章　元啟發(fā)式算法簡介　//23
2．1　引言　//24
2．1．1　組合優(yōu)化問題　//25
2．1．2　解決組合優(yōu)化問題　//25
2．1．3　優(yōu)化方法的主要類型　//26
2．2　元啟發(fā)式算法的通用概念　//27
2．2．1　表示/編碼　//27
2．2．2　約束滿足　//28
2．2．3　優(yōu)化標準/目標函數(shù)　//29
2．2．4　性能分析　//30
2．3　基于單一解/局部搜索的方法　//31
2．3．1　方案鄰域　//31
2．3．2　爬山算法　//33
2．3．3　禁忌搜索　//34
2．3．4　模擬退火和閾值接受法　//35
2．3．5　結合局部搜索方法　//36
2．4　基于群體的元啟發(fā)式算法　//37
2．4．1　進化計算　//38
2．4．2　群智能算法　//41
2．5　多目標元啟發(fā)式算法　//43
2．5．1　多目標優(yōu)化的基本概念　//44
2．5．2　使用元啟發(fā)式算法進行多目標優(yōu)化　//46
2．5．3　多目標優(yōu)化的性能評估　//50
2．6　本章小結　//51
第3章　元啟發(fā)式算法與并行優(yōu)化　//53
3．1　并行計算　//54
3．1．1　位級別并行　//55
3．1．2　指令級并行　//55
3．1．3　任務與數(shù)據(jù)并行　//55
3．2　并行元啟發(fā)式算法　//56
3．2．1　一般概念　//56
3．2．2　并行基于單一解的元啟發(fā)式算法　//56
3．2．3　并行基于總體的元啟發(fā)式算法　//58
3．3　并行元啟發(fā)式算法的基礎設施和技術　//58
3．3．1　分布式模型　//58
3．3．2　硬件型號　//59
3．4　質(zhì)量措施　//62
3．4．1　加速　//62
3．4．2　效率　//62
3．4．3　串行分數(shù)　//63
3．5　本章小結　//63
第4章　元啟發(fā)式算法與聚類算法　//65
4．1　任務描述　//66
4．1．1　劃分法　//67
4．1．2　層次法　//68
4．1．3　基于網(wǎng)格法　//70
4．1．4　基于密度法　//70
4．2　大數(shù)據(jù)與聚類分析　//71
4．3　優(yōu)化模型　//71
4．3．1　組合問題　//71
4．3．2　質(zhì)量措施　//72
4．3．3　表示　//79
4．4　方法概述　//83
4．5　驗證　//84
4．5．1　內(nèi)部驗證　//86
4．5．2　外部驗證　//86
4．6　本章小結　//88
第5章　元啟發(fā)式算法與關聯(lián)規(guī)則　//89
5．1　任務描述和經(jīng)典算法　//91
5．1．1　初始化問題　//91
5．1．2　先驗算法　//92
5．2　優(yōu)化模型　//93
5．2．1　組合問題　//93
5．2．2　質(zhì)量測量　//93
5．2．3　單目標還是多目標問題　//95
5．3　關聯(lián)規(guī)則挖掘問題的元啟發(fā)式算法概述　//96
5．3．1　一般性　//96
5．3．2　分類關聯(lián)規(guī)則的元啟發(fā)式算法　//97
5．3．3　定量關聯(lián)規(guī)則的進化算法　//102
5．3．4　模糊關聯(lián)規(guī)則的元啟發(fā)式算法　//105
5．4　總表　//108
5．5　本章小結　//110
第6章　元啟發(fā)式算法與（監(jiān)督）分類　//111
6．1　任務描述和標準算法　//112
6．1．1　問題描述　//112
6．1．2　K最近鄰分類算法（KNN）　//113
6．1．3　決策樹　//114
6．1．4　樸素貝葉斯算法　//115
6．1．5　人工神經(jīng)網(wǎng)絡　//115
6．1．6　支持向量機　//116
6．2　優(yōu)化模型　//117
6．2．1　組合問題　//117
6．2．2　質(zhì)量措施　//117
6．2．3　監(jiān)督分類的性能評估方法　//119
6．3　構建標準分類器的元啟發(fā)式算法　//120
6．3．1　KNN算法優(yōu)化　//120
6．3．2　決策樹　//121
6．3．3　ANN算法優(yōu)化　//124
6．3．4　SVM算法優(yōu)化　//125
6．4　元啟發(fā)式算法分類規(guī)則　//127
6．4．1　建模　//127
6．4．2　目標函數(shù)　//128
6．4．3　算子　//130
6．4．4　算法　//131
6．5　本章小結　//133
第7章　使用元啟發(fā)式算法在分類中進行特征選擇　//135
7．1　任務描述　//137
7．1．1　篩選器模型　//137
7．1．2　封裝器模型　//138
7．1．3　嵌入式模型　//138
7．2　優(yōu)化模型　//139
7．2．1　組合優(yōu)化問題　//139
7．2．2　表示　//140
7．2．3　算子　//141
7．2．4　質(zhì)量測量　//141
7．2．5　驗證　//144
7．3　算法概述　//144
7．4　本章小結　//145
第8章　框架　//147
8．1　設計元啟發(fā)式算法的框架　//148
8．1．1　EasyLocal++　//149
8．1．2　HeuristicLab　//150
8．1．3　jMetal　//150
8．1．4　Mallba　//150
8．1．5　ParadisEO　//151
8．1．6　ECJ　//152
8．1．7　OpenBeagle　//152
8．1．8　JCLEC　//152
8．2　數(shù)據(jù)挖掘框架　//153
8．2．1　Orange　//154
8．2．2　R與Rattle GUI　//154
8．3　元啟發(fā)式算法數(shù)據(jù)挖掘框架　//155
8．3．1　RapidMiner　//155
8．3．2　WEKA　//156
8．3．3　KEEL　//157
8．3．4　MO-Mine　//158
8．4　本章小結　//159
結論　//161
參考文獻　//163