基于蟻群優(yōu)化的聚類算法分析與研究.pdf

1、隨著計算機科學技術的快速發(fā)展,特別是數據庫技術的廣泛應用,數據挖掘領域成為熱門的研究之一。浩瀚的數據海洋隱藏著大量對人們有重要價值的信息,如果能夠通過有效的數據分析,提取出有實際應用的寶貴知識,將給人們帶了許多方便。聚類算法分析成為數據挖掘的重要工具,對社會的經濟發(fā)展和人們的日常生活都有著深遠影響。
　　 本文以聚類算法的改進為出發(fā)點,探討了算法的不足以及改進后的優(yōu)勢,主要從以下幾方面進行分析研究:
　　 首先,在傳統(tǒng)的

2、K-medoids聚類算法基礎上,本文提出了一種基于蟻群優(yōu)化的K-medoids聚類算法。ACO是一種仿生優(yōu)化算法,其具有很強的健壯性,具有比較強的全局搜索能力,求解效率高等特點。借鑒AC0算法的優(yōu)點,提高了聚類的準確率,并且算法的穩(wěn)定性也比較高。通過仿真實驗,驗證了ACO-Kmedoids聚類算法具有較強的可行性。
　　 其次,將粗糙集理論、ACO與K均值算法相結合,本文提出了一種基于ACO的粗糙集K-means聚類算法。通過

3、ACO優(yōu)化K均值算法,采用最大最小原則能動態(tài)地生成K均值聚類數和初始聚類中心,同時結合粗糙集理論的上逼近和下逼近處理邊界對象。該算法具有較高的準確率和較快的執(zhí)行時間,綜合性能更加穩(wěn)定。
　　 再次,為了改善K-medoids聚類算法收斂時間緩慢的問題,本文提出一種基于差分演化的K-medoids聚類算法。差分演化具有啟發(fā)式的全局搜索能力,算法的魯棒性很強。因此將K-medoids聚類算法的高效性和DE算法的全局尋優(yōu)能力相結合,不

4、僅能有效地克服K-medoids聚類算法的缺點,而且提高了算法的全局優(yōu)化能力,縮短了收斂時間,改善了初始聚類質量。實驗表明,該算法的穩(wěn)定性較高,收斂時間較短。
　　 最后,根據云計算環(huán)境的特點,將蟻群優(yōu)化的K-medoids聚類算法用到云計算環(huán)境中進行資源分配,本文提出一種基于云計算環(huán)境下的ACO-Kmedoids資源分配優(yōu)化算法。該算法能夠在云計算中快速、合理地路由,減少動態(tài)負荷并兼顧全局負載平衡,得到最優(yōu)的計算資源,提高云計