基于群體智能的聚類算法研究.pdf

1、數(shù)據(jù)挖掘是目前數(shù)據(jù)庫和信息處理技術(shù)領(lǐng)域的前沿研究課題，被公認為是最具發(fā)展前景的關(guān)鍵技術(shù)之一。數(shù)據(jù)挖掘匯集了機器學習、數(shù)據(jù)庫、模式識別、人工智能和統(tǒng)計學等學科的內(nèi)容，是一門新興的交叉學科。
　　 聚類分析是數(shù)據(jù)挖掘技術(shù)中的一個重要研究課題，是一種用于數(shù)據(jù)劃分或分組處理的重要手段。聚類分析作為數(shù)據(jù)挖掘系統(tǒng)中的一個模塊，既可以成為一個單獨的工具以發(fā)現(xiàn)數(shù)據(jù)庫中數(shù)據(jù)分布的深層信息，也可以作為其他數(shù)據(jù)挖掘算法的一個預處理步驟。因此，研究如何

2、提高聚類算法的性能具有重要的意義。
　　 群體智能利用群體優(yōu)勢，在沒有集中控制，不提供全局模型的前提下，為尋找復雜問題解決方案提供了新的思路，是“簡單智能體通過合作表現(xiàn)出智能行為的特性”。作為群體智能的典型實現(xiàn)模式，模擬生物蟻群智能尋優(yōu)的蟻群算法和模擬鳥群運動模式的粒子群優(yōu)化算法正在受到學術(shù)界的廣泛關(guān)注。
　　 本文的主要研究工作包括以下幾個方面：
　　 (1)分析了聚類的定義及其數(shù)據(jù)類型，研究了聚類分析中的主要

3、算法。
　　 (2)研究了群體智能的基本概念、原理和主要應用等。
　　 (3)分析了基本蟻群算法和LF聚類分析模型的基本原理及其優(yōu)缺點，針對LF模型中一些不足，提出了一些改進方法，其中包括群體相似度和概率轉(zhuǎn)換函數(shù)的定義，參數(shù)的自適應調(diào)整等。通過實驗證明，改進算法較好地解決了收斂速度和聚類質(zhì)量之間的矛盾。
　　 (4)分析了基本粒子群優(yōu)化算法的基本原理及其研究現(xiàn)狀，提出了一種帶變異操作的粒子群聚類算法，該算法解決了