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。     

蚁群聚类算法研究及应用

聚类作为数据挖掘技术的重要组成部分,在很多领域有着广泛应用.蚁群算法是近几年研究的一种新算法,该算法采用分布式并行计算和正反馈机制,具有易于与其它方法相结合的优点.根据蚁群算法在聚类中的应用及改进型式的不同,文章主要介绍了几种基本的流行的蚁群聚类算法,分析了它们的不同之处,并对蚁群聚类算法今后的研究方向作了展望.     

基于改进蚁群算法的聚类分析

聚类在数据挖掘、统计学、机器学习等很多领域都有很大应用.聚类问题可以归结为一个优化问题.蚁群算法(Ant Colony Algorithm)已成功地解决了许多组合优化的难题.介绍一种蚁群聚类算法,并进行了优化,提出一种改进的蚁群聚类算法.它改进了蚂蚁搜索解的方法,并引入均匀交叉算子,将蚁群算法和遗传算法融合.它提高进化速度,有效改善了蚁群算法易于过早地收敛于非最优解的缺陷.仿真实验取得了较好的结果.     

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。     

蚁群聚类算法分析

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。     

基于划分的蚁群聚类算法研究

聚类分析是一种重要的人类活动,被广泛应用于数据挖掘、统计学、生物学和机器学习等领域。随着仿生学的发展,一种新的智能优化算法——蚁群算法被提出,并被应用于聚类分析。针对PAM算法和蚁群聚类算法的缺点,提出了一种将PAM算法和蚁群聚类算法相结合的聚类方法。仿真实验表明,算法性能得到了有效提高。     

基于相似性算法与蚁群算法的聚类算法

由于当今的网络数据是海量的,因此科研人员对某些问题进行研究时需要将不同属性的数据从中提取出来,然而在提取这些数据之前需要将相同数据进行聚类。数据聚类的过程,也就是寻找数据最优属性的过程,然而人工蚁群就是一种寻找问题最优解的算法,因此在本文中再次将蚁群算法在聚类中进行应用。由本文提出的聚类算法可以分为两个部分,第一部分是：通过相似性算法来衡量数据之间的相似度,第二部分是：根据第一部分的计算结果,再采用蚁群算法为需要聚类的数据选择不同的聚类中心,从而对不同属性的数据进行聚类,经过以上两个过程的计算,可以实现对数据的聚类。在本文中进行数据聚类时采用的相似性度量来代替距离的计算,是本文创新点之一,采用蚁群算法在聚类过程中来选择聚类中心也是本文的创新所在。     

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。     

基于启发式机制的改进蚁群算法

针对蚁群算法在求解最短路径问题时收敛速度慢,容易陷入局部最优解的问题,提出基于启发式机制的改进蚁群算法.在蚁群系统（ant colony system,ACS）算法基础上通过候选节点到目标点的距离动态调整启发函数,提高收敛速度;算法陷入局部最优时,引入惩罚函数,使当前最优路径上的信息素快速下降而降低蚂蚁下一次搜索正反馈的影响,避免算法陷入局部最优.仿真实验表明,在复杂环境中,包括终点处存在凹形障碍物时,该算法在解的质量和收敛速度上都显示出了良好的性能.     

基于蚁群算法的文本聚类算法

针对目前文本检索后的相关反馈信息较少用于文本聚类中的问题,根据蚂蚁觅食聚类算法的思想,将文本检索后的相关反馈信息应用到文本聚类过程中,提出一种基于蚁群算法的文本聚类算法。分析簇的结构及其生成过程,论述聚类中簇合并的规则及算法。实验结果表明,该算法具有良好的聚类效果,能有效提高查询的文本召回率。     

基于聚类的蚂蚁优化算法

尽管蚁群优化算法在优化计算中有大量应用，但在大规模优化问题中蚁群算法仍存在搜索时间过长、易于停滞现象等等应用瓶颈。基于这些原因，根据经济学组织交易成本理论，文中提出一种新的通过聚类来降低优化问题规模的蚁群优化算法：基于聚类的蚂蚁优化算法，并从理论上表明比其他蚁群优化算法提高了收敛速度并延迟停滞现象。     

一种蚁群聚类算法

提出一种蚁群优化聚类算法,用于将N个对象优化分成K个不同的划分;该算法采用全局信息素更新策略和启发式信息构造聚类解,通过提高信息素在求解过程中的利用率加快了聚类速度,通过使用启发式信息提高了算法的搜索效率,使用均匀交叉算子改善了聚类解的质量;在几个模拟的数据集和UCI机器学习数据集上测试该算法的性能,并与其它几个启发式算法进行比较;计算结果表明该算法具有更好的解的质量,更少的函数估计次数和更少的运行时间.     

结合蚁群聚类算法的模糊C均值聚类

模糊C均值（FCM）聚类算法采取随机选取聚类中心的方法,这种方法使得FCM算法在局部范围内容易获得最优解,但在全局范围内效果较差,且FCM算法中聚类簇的个数一般需要人为设定。面对上述种种问题,文中将蚁群聚类算法和FCM聚类算法进行结合,获得了一种改进的FCM聚类算法。该算法在初步聚类中利用蚁群聚类产生聚类中心和簇的个数,将产生的聚类中心提供给FCM算法进行再次聚类。利用蚁群聚类的全局搜索和并行运算的优点避免了聚类易陷入局部最优解的缺陷。经过实验验证,该算法较一般FCM算法具有更好的性能。     

基于蚁群算法的聚类优化

为解决大型网络中的最短路径问题,基于蚁群算法进行聚类优化研究。结合蚁群算法和聚类算法,将网络分割成若干个小网络后进行处理并合成,同时在过程中直接简化网络,透明化无意义的点。实验结果表明,优化后的算法能准确获得所要求的最优解,具有较快的收敛速度。     

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。     

一种基于信息素的蚁群聚类算法

蚁群算法作为一种新型的优化方法,具有很强的适应性和鲁棒性。基于蚁群算法的聚类方法已经在当前数据挖掘研究中得到应用。文章提出了一个新颖策略来解决无人监督的数据聚类问题,利用信息素控制蚂蚁随机移动提高算法效率,采用运动速度各异的多个蚂蚁独立并行进行聚类来提高聚类质量。实验结果表明该方法是有效的。     

基于蚁群聚类算法的胎儿体重预测

产前准确估计胎儿体重在产科临床中具有非常重要的意义。文章提出了基于蚁群聚类算法估测胎儿体重的方法,试图探索孕妇身高、体重、双顶径、股骨长度等与胎儿体重的关系。以孕妇身高、体重、宫高、腹围、双项径、股骨长、羊水池的深度等综合数据建立模型,通过对100例临床资料的预测,正确率为89％,对巨大儿以及低体重儿的正确率为88％。此预测结果表明,蚁群聚类算法预测胎儿体重的方法具有一定的可行性。