具有全局记忆的LF蚁群聚类算法

针对传统的LF蚁群聚类算法中存在的收敛速度慢,蚂蚁空载导致的资源浪费以及易陷入局部最优等问题,提出了一种蚁群改进算法。算法初期采用直接分配原则,直接将蚂蚁随机放在数据对象上,并生成随机的全局记忆,在聚类时负载蚂蚁移动受到全局记忆的指导,利用余弦相似度判断最相似的记忆中心,并向该记忆中心移动,全局记忆在一次迭代完成后更新。当蚂蚁拾起数据对象失败时,为了减少蚂蚁再一次的随机移动所带来的资源浪费,采用相异原则将蚂蚁移动到下一个数据对象上。改进的算法在UCI数据集Iris、Wine、Glass和Robotnavigation上进行验证,算法在保证原有算法准确率的基础上明显提高了收敛速度。     

具有全局指导的启发式蚁群聚类新算法

蚁群聚类LF算法是基于蚂蚁堆形成原理而产生的群体智能算法,存在收敛速度慢、易陷入局部最优等缺陷。为了提高LF算法的收敛速度,在算法中提供具有全局意义的记忆中心,算法运行初期,蚂蚁根据全局记忆中心的启发信息运行,随着算法的迭代,不断更新全局记忆中心。为了避免算法陷入局部最优,在全局记忆中心的指导下,每只蚂蚁向距离最小的点运动,而不是采用直接跳转的方法。新算法使用UCI数据集中的Iris和Wine验证,算法的查准率和查全率要优于其他算法。     

蚁群聚类算法中邻域变化规律的研究

为了提高蚁群聚类LF算法的聚类效果,在对基本LF算法改进的基础上,算法迭代过程中又进一步采用邻域线性增大和线性减小两种不同的方法,通过UCI数据集Iris和Wine数据的验证,使用FM作为聚类效果的评判标准,发现采用邻域线性递减的方法在两种数据集上运行的结果都优于邻域递增和邻域保持不变的情形.邻域递减策略使算法在运行初期能够对待聚类数据粗略的分类,随着邻域的减小,蚁群对数据分类的粒度逐渐细化,算法迭代结束,达到最佳的聚类结果.     

基于改进的启发式蚁群算法的聚类问题的研究

蚁群算法是优化领域中新出现的一种仿生进化算法,广泛应用于求解复杂组合优化问题,并已在通信网络、机器人等许多应用领域得以具体应用。聚类问题作为一种无监督的学习,能根据数据间的相似程度自动地进行分类。基于蚁群算法的聚类算法已经在当前的数据挖掘研究中得到应用。文中针对早期蚁群聚类算法的缺点,提出一种改进的启发式蚁群聚类算法(IHAC),将蚁群在多维空间中移动的启发式知识存储在称之为"记忆银行"的设备当中,来指导蚁群后边的移动行为,降低蚁群移动的随意性,避免产生未分配的数据对象。并用一些数据做了一些实验,结果证明改进的蚁群聚类算法在误分类错误率和运行时间上优于早期的蚁群聚类算法。     

基于信息熵的蚁群聚类组合算法的研究*

摘要：提出了一种基于信息熵的蚁群聚类算法,将信息熵引入到LF算法中,数据对象的归属由信息熵来决定,减少了参数,测试并验证了算法的有效性。同时,信息熵的蚁群算法早期数据分散收敛过慢,容易陷入局部最优等缺点,提出了一种蚁群聚类组合方法得以改进。改进思路是引入K-means作为熵蚁群算法的预处理过程。通过K-means快速、粗略地确定聚类中心,利用K-means方法的结果作为初值,再进行改进的熵蚁群算法聚类。有效地解决了蚁群算法早期收敛过慢等问题。     

基于改进的启发式蚁群算法的聚类问题的研究

蚁群算法是优化领域中新出现的一种仿生进化算法,广泛应用于求解复杂组合优化问题,并已在通信网络、机器人等许多应用领域得以具体应用。聚类问题作为一种无监督的学习,能根据数据间的相似程度自动地进行分类。基于蚁群算法的聚类算法已经在当前的数据挖掘研究中得到应用。文中针对早期蚁群聚类算法的缺点,提出一种改进的启发式蚁群聚类算法（IHAC）,将蚁群在多维空间中移动的启发式知识存储在称之为“记忆银行”的设备当中,来指导蚁群后边的移动行为,降低蚁群移动的随意性,避免产生未分配的数据对象。并用一些数据做了一些实验,结果证明改进的蚁群聚类算法在误分类错误率和运行时间上优于早期的蚁群聚类算法。     

基于信息熵的蚁群聚类改进方法研究

从模仿蚂蚁堆积尸体的基本模型出发,可以实现蚁群聚类算法.研究了实现基本蚁群算法以及基于信息熵的蚁群聚类算法的关键方法,测试并验证了算法的有效性.同时,在比较其性能的基础上,主要针对基于信息熵的蚁群聚类算法收敛速度快,但却容易陷入局部最优的缺陷,从聚类拆分、合并、孤立点处理等几个方面对基于信息熵的蚁群聚类算法进行了改进,从而在利用其收敛速度快的基础上提高聚类的准确性.仿真实验表明:改进后的方法在聚类的准确性和收敛速度方面都得到了很好的结果,对基于信息熵的蚁群居类算法优化提供了比较好的应用改进.     

具有全局指导的启发式蚁群聚类新算法

蚁群聚类LF算法是基于蚂蚁堆形成原理而产生的群体智能算法,存在收敛速度慢、易陷入局部最优等缺陷。为了提高LF算法的收敛速度,在算法中提供具有全局意义的记忆中心,算法运行初期。蚂蚁根据全局记忆中心的启发信息运行,随着算法的迭代,不断更新全局记忆中心。为了避免算法陷入局部最优,在全局记忆中心的指导下,每只蚂蚁向距离最小的点运动,而不是采用直接跳转的方法。新算法使用UCI数据集中的Iris和Wine验证,算法的查准率和查全率要优于其他算法。     

基于蚁群聚类算法的优化与改进

传统的蚁群聚类算法将聚类数据的每一维属性都等同看待,而在实际的应用中各维属性对聚类的贡献率不一,具有主次之分,若将所有属性赋予相同的权重,将对聚类的效果造成影响．为了克服这个缺陷,本文将主成份分析（PCA）方法引入到蚁群聚类当中,利用PCA计算属性的贡献率并以此构建属性的权重．在此基础上,结合一个新的初始化策略,提出了一种属性带权的改进蚁群聚类算法．通过对多个UCI数据集的测试,验证了本算法的有效性．实验结果表明,合理的权重分配能够有效的提高蚁群聚类的质量．     

蚁群聚类算法综述

数据聚类是重要的数据挖掘技术,在工程和技术等领域具有广泛的应用背景。蚁群算法作为一种新型的优化方法,具有很强的鲁棒性和适应性。文章着重介绍蚁群聚类算法的研究情况,阐述当今流行的蚁群聚类算法的基本原理及其特性,旨在为蚁群聚类算法的发展提供引导作用。     

基于模糊集的蚁群聚类算法的改进

改进了LF算法,提出了一种基于模糊集理论的蚁群聚类新方法。首先定义了平均距离,其次在“相似”的概念上引入模糊集理论,定义了数据对象与其邻域内对象相似程度的隶属函数,最后该数据对象的拾起或放下由隶属度与置信水平λ相比较来决定。该算法避免了LF算法中不相似的数据对象本该被拾起而可能未被拾起,相似的数据对象本该被放下而可能未被放下的弊端,并简化了LF算法。     

基于信息熵加权的协同聚类改进算法

为了改进协同聚类中计算量较大的问题,提出一种信息熵加权的模糊协同聚类算法.首先引入信息熵来衡量隶属度差异矩阵中包含的不确定性信息,然后根据有效信息量定义相似性距离中的权重,最后通过权重对聚类的贡献实现子集之间的协同聚类.实验结果显示,新算法能充分利用数据子集中蕴涵的相关信息,以较高的计算效率实现更准确的协同聚类.与已有算法相比,新算法能自适应地计算协同关系强度,简化了参数设置和协同函数的复杂计算.     

基于图聚类与蚁群算法的社交网络聚类算法

针对社交网络中社交关系的有向性与多样性,提出了一种基于图聚类与蚁群算法的社交网络聚类算法。首先,在网络覆盖率的约束下为社交网络建立有向、非全连接的二维图模型;然后,采用K-medoids算法搜索用户分组的中心用户,采用人工蚁群算法在2D图中搜索各个用户与中心用户的相似性,将满足相似性阈值的用户分为同一个用户组。设计了低活跃用户的预测机制解决网络的稀疏性问题与冷启动问题。此外,通过网络覆盖率的约束条件权衡聚类准确率与覆盖率两个指标。仿真实验结果表明,该算法实现了较好的社交网络聚类性能,并且有效地缓解了稀疏性问题与冷启动问题。     

基于模糊矩阵的蚁群聚类算法研究与应用

提出了基于模糊矩阵的数据聚类模型,其中引入了聚类过程的全局性控制模糊矩阵,描述了数据聚类的过程;提出了基于模糊矩阵的蚁群聚类算法,实验结果证明了算法的正确性和高效性。     

聚类邻域自适应调整的多载蚁群算法

针对基本蚁群聚类算法较长时间开销和易产生冗余聚类数目的缺陷,提出了一种基于动态邻域的多载蚁群聚类算法。算法通过邻域动态自适应调整寻找纯净的邻域,增强蚂蚁记忆体记忆纯净邻域的大小,蚂蚁之间协同交流进行多载整合相似邻域形成最终聚类结果。实验结果表明新算法能有效提高算法效率且取得较好的聚类效果。     

基于蚁群优化算法的凝聚型层次聚类*

传统的凝聚型层次聚类在分裂或合并类时如果没有很好地作出决定,就有可能导致低质量的聚类结果,针对这一缺点,提出一种基于蚁群优化算法的凝聚型层次聚类算法。该算法先利用蚁群优化算法的状态转移规则决定凝聚型层次聚类中下一个将要合并的数据点,再利用信息素更新规则寻找聚类的最优路径,最后获得全局最优的高质量层次聚类结果。该优化算法在人工数据集和UCI数据集上的仿真实验结果表明,相对于传统的聚类算法,该算法的准确率更高,聚类效果更好。     

一种改进的蚁群聚类算法

分析了现有蚁群聚类算法的特点与不足,并在此基础上提出了一种改进的蚁群聚类算法。改进算法分别从蚂蚁捡起对象、放下对象的策略、参数α的自适应改变策略及游离对象的处理策略四个不同方面对现有蚁群聚类算法进行改进。仿真实验结果表明,改进算法可以获得更好的聚类效果和时间性能。     

蚁群聚类算法中确定相邻对象方法的改进

基本蚁群聚类算法在计算相似度时,由于没有考虑相邻对象之间方向的影响,往往造成聚类速度缓慢甚至算法不收敛。通过引入相邻对象方向角和屏蔽角,对方向接近的相邻对象进行屏蔽,实现对确定相邻对象方法的改进。并以矿山实际测量数据为数据源,采用基本的蚁群聚类算法和改进后的算法分别对其进行聚类。通过对这两种算法的实验结果进行分析比较,证明改进后的算法提高了聚类效果。     

蚁群聚类算法的T-S模糊模型辨识

基于T-S模型,提出一种非线性系统的模型辨识方法。利用蚁群聚类算法来进行结构辨识,确定系统的模糊空间和模糊规则数。在聚类的基础上,利用遗传算法辨识模糊模型的后件加权参数,得到一个精确的模糊模型,从而实现参数辨识。仿真结果验证了该方法的有效性,表明该方法能够实现非线性系统的辨识,辨识精度高,可当作复杂系统建模的一种有效手段。     

蚁群聚类的欠定盲源分离方法

利用欠定盲源分离情况下稀疏源信号具有直线聚类的特点,提出了一种估计混叠矩阵的新方法。通过对混叠信号进行标准化处理,使混叠信号形成球形簇,将线性聚类转变成致密聚类;利用蚁群聚类算法对其进行搜索得到聚类中心,从而获得对混叠矩阵的精确估计。该方法能实现源信号数目未知情况下的欠定盲源分离,且能推广到三路或更多路观测信号的情况。对语音信号的仿真结果证明,该方法能精确地分离和恢复原始信号。