第1章 优化与大数据

1.1大数据环境

1.1.1大数据环境示例

1.1.2定义

1.1.3大数据面临的挑战

1.1.4元启发式算法和大数据

1.2大数据中的知识发现

1.2.1数据挖掘与知识发现

1.2.2主要的数据挖掘任务

1.2.3数据挖掘任务作为优化问题

1.3数据挖掘算法的性能分析

1.3.1环境

1.3.2一个或多个数据集评估

1.3.3存储库和数据集

1.4本章小结

第2章 元启发式算法简介

2.1引言

2.1.1组合优化问题

2.1.2解决组合优化问题

2.1.3优化方法的主要类型

2.2元启发式算法的通用概念

2.2.1表示/编码

2.2.2约束满足

2.2.3优化标准/目标函数

2.2.4性能分析

2.3基于单一解/局部搜索的方法

2.3.1方案邻域

2.3.2爬山算法

2.3.3禁忌搜索

2.3.4模拟退火和阈值接受法

2.3.5结合局部搜索方法

2.4基于群体的元启发式算法

2.4.1进化计算

2.4.2群智能算法

2.5多目标元启发式算法

2.5.1多目标优化的基本概念

2.5.2使用元启发式算法进行多目标优化

2.5.3多目标优化的性能评估

2.6本章小结

第3章 元启发式算法与并行优化

3.1并行计算

3.1.1位级别并行

3.1.2指令级并行

3.1.3任务与数据并行

3.2并行元启发式算法

3.2.1一般概念

3.2.2并行基于单一解的元启发式算法

3.2.3并行基于总体的元启发式算法

3.3并行元启发式算法的基础设施和技术

3.3.1分布式模型

3.3.2硬件型号

3.4质量措施

3.4.1加速

3.4.2效率

3.4.3串行分数

3.5本章小结

第4章 元启发式算法与聚类算法

4.1任务描述

4.1.1划分法

4.1.2层次法

4.1.3基于网格法

4.1.4基于密度法

4.2大数据与聚类分析

4.3优化模型

4.3.1组合问题

4.3.2质量措施

4.3.3表示

4.4方法概述

4.5验证

4.5.1内部验证

4.5.2外部验证

4.6本章小结

第5章 元启发式算法与关联规则

5.1任务描述和经典算法

5.1.1初始化问题

5.1.2先验算法

5.2优化模型

5.2.1组合问题

5.2.2质量测量

5.2.3单目标还是多目标问题

5.3关联规则挖掘问题的元启发式算法概述

5.3.1一般性

5.3.2分类关联规则的元启发式算法

5.3.3定量关联规则的进化算法

5.3.4模糊关联规则的元启发式算法

5.4总表

5.5本章小结

第6章 元启发式算法与（监督）分类

6.1任务描述和标准算法

6.1.1问题描述

6.1.2 K最近邻分类算法（KNN）

6.1.3决策树

6.1.4朴素贝叶斯算法

6.1.5人工神经网络

6.1.6支持向量机

6.2优化模型

6.2.1组合问题

6.2.2质量措施

6.2.3监督分类的性能评估方法

6.3构建标准分类器的元启发式算法

6.3.1 KNN算法优化

6.3.2决策树

6.3.3 ANN算法优化

6.3.4 SVM算法优化

6.4元启发式算法分类规则

6.4.1建模

6.4.2目标函数

6.4.3算子

6.4.4算法

6.5本章小结

第7章 使用元启发式算法在分类中进行特征选择

7.1任务描述

7.1.1筛选器模型

7.1.2封装器模型

7.1.3嵌入式模型

7.2优化模型

7.2.1组合优化问题

7.2.2表示

7.2.3算子

7.2.4质量测量

7.2.5验证

7.3算法概述

7.4本章小结

第8章 框架

8.1设计元启发式算法的框架

8.1.1 EasyLocal＋＋

8.1.2 HeuristicLab

8.1.3 jMetal

8.1.4 Mallba

8.1.5 ParadisEO

8.1.6 ECJ

8.1.7 OpenBeagle

8.1.8 JCLEC

8.2数据挖掘框架

8.2.1 Orange

8.2.2 R与Rattle GUI

8.3元启发式算法数据挖掘框架

8.3.1 RapidMiner

8.3.2 WEKA

8.3.3 KEEL

8.3.4 MO-Mine

8.4本章小结

结论

参考文献