- 分布式智能算法及在大数据中的应用
- - 作者：陈宏伟//魏斯玮//叶志伟|责编:雷顺加
  - 出版社：中国水利水电
  - ISBN：9787522606323
  - 出版日期：2022/08/01
  - 页数：221
- 售价：23.6

内容大纲
《分布式智能算法及在大数据中的应用》主要包括智能算法技术与大数据概述；基于Hadoop的分布式杂交水稻算法；基于Hadoop的随机奇异值分解算法；基于Hadoop的分布式水波优化算法；基于Spark的分布式关联规则挖掘算法；基于Spark的分布式飞蛾扑火优化算法；基于Spark的分布式蚁狮算法等内容。
本书既可以作为计算机科学与技术相关专业研究生及高年级本科生的教材，也可以作为科研人员的参考书，同时还可以作为研究生、博士生及教师写论文的参考书。
作者介绍
目录
第1章  智能算法与大数据概述
  1.1  智能算法概述
    1.1.1  智能算法
    1.1.2  分布式智能算法
  1.2  Hadoop框架概述
    1.2.1  Hadoop的生态环境
    1.2.2  HDFS分布式文件系统分析
    1.2.3  MapReduce并行计算框架
  1.3  Spark框架概述
    1.3.1  Spark的生态环境
    1.3.2  Spark编程模型
  1.4  分布式智能算法及在大数据中的应用概述
    1.4.1  基于Hadoop的分布式杂交水稻算法研究
    1.4.2  基于Hadoop的随机奇异值分解算法研究
    1.4.3  基于Hadoop的分布式水波优化算法研究
    1.4.4  基于Spark的分布式关联规则挖掘算法研究
    1.4.5  基于Spark的分布式飞蛾扑火优化算法研究
    1.4.6  基于Spark的分布式蚁狮算法研究
第2章  基于Hadoop的分布式杂交水稻优化算法
  2.1  杂交水稻优化算法
    2.1.1  杂交水稻优化算法概述
    2.1.2  三系杂交水稻算法
    2.1.3  杂交水稻算法实现
  2.2  分布式并行杂交水稻算法
    2.2.1  分布式并行杂交水稻算法概述
    2.2.2  分布式杂交水稻算法实现
    2.2.3  分布式杂交水稻算法的MapReduce过程
    2.2.4  基于Hadoop的分布式杂交水稻算法流程
    2.2.5  实验结果与分析
  2.3  基于Hadoop的杂交水稻算法改进SVM
    2.3.1  支持向量机相关理论
    2.3.2  使用杂交水稻算法优化SVM参数
    2.3.3  使用分布式杂交水稻算法优化SVM参数
    2.3.4  实验结果分析
第3章  基于Hadoop的随机奇异值分解算法
  3.1  随机奇异值分解算法
    3.1.1  随机投影方案
    3.1.2  奇异值分解
    3.1.3  矩阵分解在推荐系统中的应用
    3.1.4  分布式矩阵分解
  3.2  基于Count Sketch算法的随机奇异值分解
    3.2.1  Count Sketch算法简介
    3.2.2  Count Sketch算法改进
    3.2.3  基于Count Sketch算法的随机奇异值分解
    3.2.4  实验结果分析
  3.3  基于两重随机方案的奇异值分解
    3.3.1  随机高斯矩阵投影
    3.3.2  集成多个方案的随机奇异值分解
    3.3.3  随机高斯矩阵与Count Sketch算法结合的算法
    3.3.4  实验结果分析

第4章  基于Hadoop的分布式水波优化算法
  4.1  文本分类与水波优化算法
    4.1.1  文本分类的关键技术
    4.1.2  水波优化算法
  4.2  基于WW0算法的文本特征选择
    4.2.1  概述
    4.2.2  传统文本特征选择的缺点
    4.2.3  基于WW0算法的文本分类
    4.2.4  实验结果分析
  4.3  基于分布式水波优化算法的文本特征选择
    4.3.1  概述
    4.3.2  并行实现WW0算法分析
    4.3.3  分布式水波优化的文本特征选择算法
    4.3.4  实验结果分析
第5章  基于Spark的分布式关联规则挖掘算法
  5.1  相关理论与技术
    5.1.1  关联规则
    5.1.2  二进制粒子群算法
  5.2  基于PSO算法改进FP-Growth算法
    5.2.1  算法改进策略
    5.2.2  PSO算法设计
    5.2.3  PSO-FP算法实现
    5.2.4  仿真实验与结果分析
  5.3  基于Spark算法的并行化改进
    5.3.1  基于并行粒子群算法的改进策略
    5.3.2  基于并行条件树挖掘改进策略
    5.3.3  仿真实验分析
第6章  基于Spark的分布式飞蛾扑火优化算法
  6.1  相关理论与技术
    6.1.1  飞蛾扑火优化算法
    6.1.2  特征选择
    6.1.3  二进制的飞蛾扑火优化算法特征选择
  6.2  基于Spark的改进飞蛾扑火优化算法的研究
    6.2.1  基于Spark的飞蛾扑火优化算法
    6.2.2  改进的飞蛾扑火优化算法策略
    6.2.3  基于Spark的改进飞蛾扑火优化算法
    6.2.4  实验结果分析
  6.3  基于SPIMFO算法在入侵检测中的应用研究
    6.3.1  数据降维
    6.3.2  特征选择和特征提取
    6.3.3  降维技术
    6.3.4  基于SPIMFO-LE算法的网络入侵检测模型
    6.3.5  数据集及指标性能
    6.3.6  实验结果分析
第7章  基于Spark的分布式蚁狮算法
  7.1  交通流的大数据分析和预处理
    7.1.1  交通流量数据集来源
    7.1.2  模型性能估测对比评价标准
    7.1.3  交通流的可预测性分析
    7.1.4  小波神经网络

  7.2  基于蚁狮优化算法WNN的短期道路车流量估测
    7.2.1  基于WNN的短期道路车流量估测
    7.2.2  蚁狮算法
    7.2.3  ALO-WNN与传统优化算法的对比
    7.2.4  基于自适应变异加权精英策略的ALO算法改进
  7.3  基于Spark分布式IWALO交通流实时预测
    7.3.1  分布式算法策略
    7.3.2  基于Spark-IWALO分布式算法设计
    7.3.3  分布式场景下节点的加速比
    7.3.4  实验结果分析
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目