基于K-均值与蚁群混合聚类的图像分割

针对单一聚类算法在图像分割中容易陷人局部最优或有过分割现象,造成分割精确度低等问题,文章提出了基于K-均值聚类和蚁群聚类相结合的新算法.新算法先将K-均值算法作快速分类,根据K-均值分类结果更新蚂蚁各路径上的信息素,指导其他蚂蚁选择,以提高蚁群聚类算法的运行效率.实验结果证明,新算法在图像分割处理的精确度上较单一的K均...     

蚁群聚类组合方法的研究

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。针对蚁群聚类算法早期出现的缺点,提出一种蚁群聚类组合方法使其得以改进。改进思路是引入K-means作为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。     

基于粒度原理的蚁群聚类算法

在过去10多年中,蚁群算法（AC）的研究和应用取得了很大的进展,大量结果证明了算法的有效性和在某些领域的优势。文章从信息粒度的角度出发,解决了传统聚类算法中对样本“抱团”性质的客观描述和分类算法中分类专家主观先验知识之间的不协调性。并将蚁群系统模型引入聚类模型中,提出了一种基于粒度原理的蚁群聚类新方法。仿真结果表明上述方法是可行和有效的。     

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。     

支持向量机优化基于K-means的蚁群聚类算法

基于K-means算法思想改进蚁群聚类算法聚类规则,提出一种新的K-means蚁群聚类算法,并通过实验验证其聚类效果;引入具有全局最优性的支持向量机SVM,取各类中心附近适当数据训练支持向量机,然后利用已获模型对整个数据集进行重新分类,进一步优化聚类结果,使聚类结果达到全局最优。UCI数据集实验结果表明,新的算法可以明显提高聚类质量。     

一种面向非规则非致密空间分布数据的聚类方法

针对目前很少关注非致密非规则数据聚类的情况,利用蚁群算法具有的组合优化方面的优势,引入近邻函数准则,提出了基于蚁群算法和近邻函数准则的聚类算法,来求解非规则非致密数据聚类问题.实验表明,对于非规则非致密分布数据的聚类问题,该聚类算法可根据连接关系合理地进行聚类,相比K均值算法等其他采用样本距离作为分类指标的聚类方法,可有效降低错聚率,一定程度上较好地解决了这类问题.     

区域管制扇区复杂性指标构建及分析

运用协方差矩阵和系统聚类法对区域管制扇区复杂性指标间关系进行研究。基于对区域管制扇区结构和流量分布特征的分析,构建7个复杂性指标。以国内37个区域管制扇区数据为样本,结合可视化协方差矩阵阐明复杂性指标相关性。研究表明,区域各扇区面积相差悬殊（变异系数194.75%）,但流量在不同路径的分布均匀程度比较一致（变异系数9.02%）;扇区范围越大,往往流量在各路径上的分布越均匀（相关系数0.54~0.59）,但扇区流量反而越低（相关系数-0.06~-0.13）;以并类距离0.70为界,扇区复杂性指标分为静态和动态两类,且静态指标共性强于动态指标。     

未知环境下的蚁群-聚类自适应动态路径规划

针对用于动态环境中的机器人路径规划的蚁群算法存在收敛速度慢,路径累计转折角大,对环境变化适应性低等问题,提出了一种未知环境下的蚁群-聚类自适应动态路径规划方法。依据聚类算法对环境复杂程度的准确判别自动改变寻优半径,达到充分利用机器人有限的计算能力,提高收敛速度的目的;通过识别对角障碍,生成虚拟障碍,确保规划的路径不穿过对角障碍;通过平滑机制对搜索的动态路径做平滑优化处理,有效降低了路径长度,减少了累计转折角。仿真结果表明,提出的算法能够根据障碍的复杂程度自动选择合适的搜索半径,完成路径的动态规划,体现出良好的环境适应能力和较好的综合路径优化性能。     

基于信息熵的蚁群聚类算法在客户细分中的应用①

传统的蚁群聚类算法需设置较多参数,且聚类时间较长。基于信息熵的蚁群聚类算法通过信息熵改变蚂蚁拾起和放下数据的规则,减少了参数的设置、缩短了聚类的时间,将其应用于客户细分,并且与采用传统的蚁群聚类算法得到的细分结果进行比较分析,实验表明。基于信息熵的蚁群聚类算法可以加快客户细分的聚类进程。     

基于信息熵的蚁群聚类算法在客户细分中的应用①

传统的蚁群聚类算法需设置较多参数,且聚类时间较长。基于信息熵的蚁群聚类算法通过信息熵改变蚂蚁拾起和放下数据的规则,减少了参数的设置、缩短了聚类的时间,将其应用于客户细分,并且与采用传统的蚁群聚类算法得到的细分结果进行比较分析,实验表明。基于信息熵的蚁群聚类算法可以加快客户细分的聚类进程。     

核蚁群化学聚类算法

为了提高蚁群化学聚类算法的聚类效果,通过引入径向基核函数改进蚁群化学聚类算法的相似度度量式,提出了核蚁群化学聚类算法。将核蚁群化学聚类算法用于三个标准数据集合,计算结果表明与蚁群化学聚类算法相比,核蚁群化学聚类算法聚类效果提升显著。将核蚁群化学聚类算法、核自组织神经网络映射算法和基于多项式核的结构化有向树数据聚类算法同时用于Iris数据集合,结果显示三种核聚类算法聚类效果相当。     

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MATLAB的自适应蚁群聚类算法研究与仿真

介绍了蚁群算法和聚类分析,针对传统蚁群聚类算法参数设置对结果影响大的缺点,提出了一种自适应蚁群聚类算法。主要通过对传统蚁群算法的参数进行简化,增加对局部相似度的运算,使蚂蚁的移动具有一定的方向性,从而降低蚂蚁移动的随机性,对待聚类模式的主成分分析再进行聚类,简化聚类的过程。最后在MATLAB上做了仿真实验,实验结果分析表明,运用该算法能得到较好的聚类结果,从而说明该算法是可行的。     

基于最优适值保留的蚁群文本聚类算法

蚁群聚类最早是由Deneubourg提出的一种仿生聚类方法,在聚类分析中得到广泛应用。本文在该算法的基础上提出一种基于精英适值保留的蚁群聚类算法,在一般蚁群聚类算法中引入精英保留机制,在每次算法的迭代中保留一定数量的优良解进入到下一次的循环中,以期提高算法的性能。为了验证算法的有效性,本文选择了两个数据集:数值数据集(iris)和一个文本数据集,用两个外部评价指标进行评判。实验结果表明,新算法的性能能够得到有效提高。     

一种基于特征加权的蚁群聚类新算法

蚁群聚类算法作为一种群体智能的算法已经被证实可用于高维数据的聚类,能够快速有效地处理Web的海量、高维数据,但是传统的蚁群聚类算法并未考虑各维特征的贡献率,聚类的准确度有限。文中以优化聚类效果为目标,提出了一种基于特征加权的蚁群聚类新算法FWACCA,在新算法中考虑了各维特征对分类贡献的多少,合理地使用了Sigmoid概率转换函数和主客观结合的赋权法。实验结果表明此新算法可以有效减少聚类出错率,提高聚类的准确性。     

一种基于蚁群算法的模糊C均值聚类

针对模糊C均值(FCM)聚类算法,在选取聚类中心点时采用随机选取易使得迭代过程陷入局部最优解,FCM算法自身并不能确定聚类个数需要人为设定,并在数据分类应用时具有了一定误差的问题,提出了一种基于蚁群算法的FCM聚类算法。该算法根据蚁群聚类算法确定模糊聚类个数和FCM算法的初始聚类中心：利用蚁群算法的全局搜索性、并行计算性等特点避免了聚类陷入局部最优解：仿真结果表明了该算法的有效性。     

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。     

基于无向超图的多蚁群聚类组合算法

介绍了一种基于无向超图的多蚁群聚类组合算法,该算法将单蚁群聚类算法的结果聚类组合成多蚁群聚类算法,用无向超图表示,结合超图划分算法Hmetis得到最终的聚类结果。文中给出了实验数据集和实验结果,证明该算法可以提高聚类效果并且减少孤立点。