一种新的基于混合蚁群算法的聚类方法

建立了聚类分析问题模型，分析了K-均值算法、模拟退火算法和基本蚁群算法的优缺点。对蚁群算法作了改进．思路是K-均值方法混合，利用K-均值方法的结果作为初值。经过比较测试，两种混合蚁群算法的效果都比较好．特别混合方法二的效果最好。     

基于划分的K-均值初始聚类中心优化算法

提出了一种新的初始化K-means的聚类算法,该算法通过区域划分方法估算出K个中心点作为初始聚类中心,从初始聚类中心出发,应用K-means聚类算法,得到聚类结果,实验表明,该算法能产生高质量的聚类结果、较少的迭代次数,优于K-means算法中传统的聚类中心初始化算法.     

蚁群算法与模拟退火、遗传算法比较分析

文章首先介绍了模拟退火算法和遗传算法的由来及其应用领域,随之引出一种20世纪90年代新型智能算法——蚁群算法,然后以TSP问题为研究对象,阐述三种算法解决TSP问题的实现流程,最后将3种智能算法在两方面进行比较:求解方面和收敛速度方面。实验结果表明:求解方面,蚁群算法所得解最优;收敛速度方面,蚁群算法比模拟退火、遗传算法收敛速度快。     

蚁群聚类算法在客户关系管理中的应用

蚁群算法是优化领域中一种新兴的生物进化算法,与传统的算法相比,其具有并行、正反馈和启发式搜索等特点.在此,运用蚁群聚类算法对客户关系管理中的客户分类问题进行分析.结果表明,通过此算法对企业的客户消费数据进行分类,以此来获取不同类型客户的需求,对支持企业决策方面有着极为重要的理论参考价值和实际应用意义.     

基于蚁群算法的文本分类和聚类

为了研究并提高文本的分类和聚类算法的性能,笔者根据蚁群算法在TSP问题中的应用方法,将其改进引用到文本的分聚类中。在文本聚类中,改变蚂蚁的信息素释放机制,道路节点的聚合方式,最终将相似文本进行聚合。在文本的分类中,将所需要的分类信息装入蚂蚁,蚂蚁根据系统外部所希望的方式将文本分类。实验结果证明,这种新的算法可以使文本分类和聚类的准确度提高,蚁群算法在文本分类聚类中的应用是可行的。     

基于蚁群算法的模糊C均值聚类的改进研究

在图像分割的研究中,模糊C均值(FCM)聚类算法较之前的硬聚类有了很大的改进,是一种基于函数最优方法的聚类算法,然而传统的FCM算法的聚类中心及个数难以确定,搜索过程易陷入局部最优。因此,提出一种基于蚁群算法的改进的FCM聚类算法。该算法利用了蚁群算法全局优化特征以及较强鲁棒性的特点,将通过蚁群算法得到的聚类中心及个数应用到传统FCM算法中,弥补了传统FCM聚类算法的不足。该算法对图像进行分块处理,并引入多尺度梯度,提高了图像分割的准确性,最后通过实验验证了该算法的有效性及实用性。     

基于路径选择的自适应蚁群算法研究

本文提出样本空间经过K-均值聚类算法聚类加工处理后,算法通过动态地调整选择路径概率,优化TSP求解过程中解的分布均衡性,可以在加速收敛和防止早熟、停滞现象之间取得很好的平衡。这种新的算法提供了在样本空间预处理情况下,动态自适应地解决TSP问题最优解的新方法。比起普通蚁群算法,此算法对大规模数据的最优解的求解更有显著效果。     

基于遗传模拟退火的K-means聚类方法

针对传统的K-means算法对初始聚类中心的敏感很大,极易陷入局部最优值,基于遗传算法的K-means聚类算法由于个体的多样性不足而常出现早熟等现象,采用遗传模拟退火算法优化初始聚类中心点后进行K-means聚类,并提出了一种新的用于评价聚类结果的适应度函数,该函数更为准确地反映类内距离和类间距离.实验结果表明,该方法能获得更好的聚类结果.     

基于蚁群算法的文本聚类处理的研究

为了研究并提高文本的聚类算法的性能,根据蚁群算法在TSP问题中的应用方法,将其改进引用到文本的聚类处理的研究中。在文本的聚类处理研究中,改变蚂蚁的信息素释放机制,道路节点的聚合方式,从而最终将相似文本进行聚合。对改进的算法进行实验后的结果证明,这种新的算法可以使文本聚类的准确度提高,具有良好的聚类效果,能有效提高查询的文本召回率。蚁群算法在文本聚类中的应用是可行的。     

基于混合优化算法的正交多相码的设计

通过结合模拟退火算法的概率接受准则和蚁群算法的并行搜索，提出了一种有效的混合优化算法，设计出了具有良好自相关和互相关性能的正交信号组。混合算法弥补了模拟退火算法的搜索效率低和蚁群算法的容易陷入局部最小值的缺点，提高了全局搜索的能力。仿真结果表明，在搜索最优正交多相码方面该混合优化算法优于其他搜索算法。     

基于混合聚类算法的客户细分策略研究

针对层次聚类法和 K-means 聚类法的缺陷和不足,提出将二者相结合的改进算法,既解决了层次聚类法伸缩性差的问题,又解决了 K-means聚类法对初始聚类中心敏感的问题。通过对改进算法的计算复杂度分析并利用 UCI 数据库的测试数据对改进算法进行测试。结果表明,混合聚类算法使样本聚类的准确率提高到94%,并有更高的执行效率和更好地实用性。此外,将此算法应用到汽车销售公司的客户细分管理中,得出了差别化明显的客户细分类别,表明此改进算法具有更强的客户细分能力以及客户行为特征的解释能力。     

一种基于信息熵的空间聚类算法

空间数据挖掘技术是从空间数据库中提取隐含的、用户感兴趣的知识.针对当前的聚类算法没有很好考虑到空间数据的复杂性和数据之间的联系,再加上聚类的精确度不高,设计了一种新的算法—基于信息熵的空间聚类算法（ESCA算法）,该算法优先考虑空间数据的复杂性和数据之间的联系,并采用蚁群优化机制改善传统算法中聚类簇数不确定的缺点.实验结果表明该算法是可行,并且具有更高的精确度.     

改进蚁群算法在文本聚类中的应用研究

提出了一种改进蚁群文本聚类算法.改进蚁群文本聚类算法利用信息素对蚂蚁随机移动进行控制,使蚂蚁朝着文本向量相对集中的区域移动,缩短蚂蚁寻找文本向量簇的时间,提高聚类效率.采用复旦大学中文文本分类语料库进行仿真实验,实验结果表明,改进蚁群文本聚类算法不仅加快了文本聚类算法的收敛速度,而且提高文本聚类结果的精度.     

基于微正则退火算法对K-means聚类算法的优化

K-means算法是经典的基于划分的聚类算法,但该算法存在依赖于初始聚类中心、容易陷入局部最优解等缺点,针对这些缺点,本文提出了基于微正则退火K-means聚类算法,通过继承微正则退火算法的高效全局寻优特性,可以避免陷入局部最优解。实验结果表明,改进的算法能够有效的减少原算法对初始聚类中心点的依赖,提高算法的稳定性,摆脱原算法容易陷入局部最优解的缺点。     

基于蚁群的无线电源管理网络路由算法

蚁群算法(Ant Colony Algorithm,ACA)是一种新型的基于群体的仿生算法。采用蚁群算法实现了对无线电源管理网络的路由优化,为远程设备管理提供了新的解决思路。对原始蚁群算法进行了改进,提出了一种多蚁群的优化算法。基于蚁群算法及其并行搜索最优的特征,通过蚁群聚类和动态调整网络优化参数的方法,可作为一种面向无线电源管理网络的路由算法,经过仿真验证了该算法的有效性。