蟻群算法及其在聚類分析中的應用研究.pdf

1、當前，網(wǎng)絡和數(shù)據(jù)庫技術(shù)的快速發(fā)展，使得計算機能存儲大規(guī)模的海量數(shù)據(jù)；但傳統(tǒng)的數(shù)據(jù)分析處理工具如管理信息系統(tǒng)對這些數(shù)據(jù)只能進行表層的處理，更深層次的數(shù)據(jù)分析能力卻不盡如人意。由此，數(shù)據(jù)挖掘技術(shù)應運而生。聚類分析作為數(shù)據(jù)挖掘中的一個重要課題，是將數(shù)據(jù)區(qū)分為自然的群體并給出每個群體特征描述。通過先進算法的恰當采用，可發(fā)掘潛在的有價值的信息，提高數(shù)據(jù)分析和解釋的質(zhì)量，也為后續(xù)其它數(shù)據(jù)分析和整理工具對數(shù)據(jù)的再處理或理解提供科學的判斷依據(jù)。因此，研

2、究如何提高聚類分析算法的性能具有重要意義。
　　聚類分析的算法很多，比較著名的有 K-均值算法、K-中心點算法、C均值算法、FCM算法等。蟻群算法是最近幾年提出的一種新的生態(tài)類優(yōu)化算法，其主要特點是正反饋、分布式計算。本文根據(jù)蟻群優(yōu)化算法的最新研究，對其進行了改進，主要包含以下幾方面的內(nèi)容：
　　由自然螞蟻的智能特點，引出人工螞蟻模型。選擇最典型的旅行商問題來研究螞蟻系統(tǒng)的原理，實現(xiàn)步驟，以及算法的時間和空間復雜度。然后研究

3、蟻群優(yōu)化算法的具體實現(xiàn)，算法的收斂性和特點，以及算法中參數(shù)的設置等。由蟻群算法的不足提出了當前的幾種改進算法，最后介紹了蟻群算法的發(fā)展和應用。
　　由數(shù)據(jù)挖掘的概念，引出作為數(shù)據(jù)挖掘技術(shù)的重要組成部分之一的聚類分析。重點闡述了聚類分析，主要就聚類分析的定義，聚類分析的步驟，常用的數(shù)據(jù)類型和度量標準進行了簡要的歸納和總結(jié)，同時簡要介紹了目前比較常用的聚類分析算法，聚類分析的歷史和現(xiàn)狀，以及聚類分析的應用。
　　基于改進蟻群算法

4、的聚類組合方法。分析了基本蟻群聚類模型, LF算法和基于信息熵的蟻群聚類（EAC）算法，并研究了LF和EAC算法的具體實現(xiàn)。同時，在比較其性能的基礎上，主要針對基于信息熵的蟻群聚類算法收斂速度快，但卻容易陷入局部最優(yōu)的缺陷，從聚類拆分、合并、孤立點處理等幾個方面作了改進，從而在利用其收斂速度快的基礎上提高聚類的準確性。仿真實驗表明：改進后的方法在聚類的準確性和收斂速度方面都得到了很好的結(jié)果，對基于信息熵的蟻群聚類算法提供了較好的應用改進