分布式智能算法及在大数据中的应用

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 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