基于蟻群優(yōu)化的聚類算法的研究.pdf

1、數(shù)據(jù)挖掘(Data Mining)是在海量的數(shù)據(jù)中提取隱含在其中的有用信息和知識(shí)的過程。數(shù)據(jù)聚類(Data Clustering)是其中一項(xiàng)重要的數(shù)據(jù)挖掘技術(shù)，是人們認(rèn)識(shí)和探索事物之間內(nèi)在聯(lián)系的一種有效手段。它既可以作為獨(dú)立的數(shù)據(jù)挖掘工具，發(fā)現(xiàn)數(shù)據(jù)庫中數(shù)據(jù)分布的一些深入信息，也可以作為其它數(shù)據(jù)挖掘算法的預(yù)處理步驟，且在工程和技術(shù)領(lǐng)域具有廣泛的應(yīng)用背景。聚類(Clustering)就是將數(shù)據(jù)對(duì)象劃分到不同組(Group)/簇(Cluste

2、r)中，使得屬于同簇內(nèi)的數(shù)據(jù)對(duì)象具有相似性，而不同簇的數(shù)據(jù)對(duì)象具有相異性。 本文在充分研究了現(xiàn)有蟻群聚類算法的基本原理與特性的基礎(chǔ)上，為了提高算法效率，改善聚類質(zhì)量，經(jīng)過對(duì)引入信息熵的蟻群聚類算法的研究、歸納和總結(jié)，提出一種改進(jìn)的基于信息熵的蟻群聚類算法。主要思想是盡可能賦予螞蟻以智能行為，一方面將螞蟻在聚類過程中的一次迭代活動(dòng)的比較區(qū)域半徑逐漸增大，以此減小空間內(nèi)數(shù)據(jù)疏密程度的變化對(duì)算法進(jìn)度造成的影響；另一方面，在引入信息熵的

3、聚類算法以避免基于蟻巢分類模型的聚類算法中螞蟻隨機(jī)拾起/放下數(shù)據(jù)對(duì)象的基礎(chǔ)上，又引入了觀望策略來引導(dǎo)螞蟻移動(dòng)的方向，代替隨機(jī)移動(dòng)的策略，將螞蟻活動(dòng)與周圍的信息熵環(huán)境緊密地聯(lián)系在一起，利用螞蟻對(duì)歷史若干組(視數(shù)據(jù)規(guī)模等條件而定)熵信息的記憶和更新，來改善傳統(tǒng)的隨機(jī)方向選擇機(jī)制對(duì)算法效率的影響。 本文的研究具有一定的理論和實(shí)踐意義。通過實(shí)際數(shù)據(jù)集的實(shí)驗(yàn)表明，改進(jìn)后的算法有效地提高了聚類的質(zhì)量，并在一定程度上減少了算法的迭代次數(shù)，有利