基于蟻群算法的聚類分析方法的研究及應(yīng)用.pdf

1、由信息技術(shù)、網(wǎng)絡(luò)技術(shù)的飛速發(fā)展所導致的“數(shù)據(jù)爆炸但知識貧乏”的現(xiàn)象日益嚴重，在這一環(huán)境下，數(shù)據(jù)挖掘應(yīng)運而生并獲得了快速發(fā)展，國內(nèi)主流網(wǎng)站評比的未來十大熱門技術(shù)中，數(shù)據(jù)挖掘技術(shù)占了一席之地。數(shù)據(jù)挖掘是一個多學科交叉的研究領(lǐng)域，涉及到數(shù)據(jù)庫技術(shù)、人工智能、機器學習、統(tǒng)計學，知識獲取、生物計算等多門學科的理論與技術(shù)，其發(fā)展必將大大影響全球信息化的進程，對其進行系統(tǒng)、深入、全面、詳盡地研究是信息化發(fā)展的客觀需要。而作為數(shù)據(jù)挖掘分析方法之一的聚類

2、分析更是表現(xiàn)突出，在包括模式識別、數(shù)據(jù)分析、圖象處理，以及市場研究等許多領(lǐng)域得到廣泛的應(yīng)用。本文對數(shù)據(jù)挖掘技術(shù)，尤其是聚類分析進行了較為系統(tǒng)的分析和研究，提出了一些想法和改進，主要包含以下內(nèi)容： 數(shù)據(jù)挖掘技術(shù)的概述。介紹了數(shù)據(jù)挖掘的概念，對數(shù)據(jù)挖掘的發(fā)現(xiàn)模式、數(shù)據(jù)挖掘的方法及應(yīng)用進行了詳細的分類、歸納和總結(jié)。 聚類分析技術(shù)的概述。聚類是一種重要的數(shù)據(jù)分析技術(shù)，是數(shù)據(jù)挖掘理論框架中一個必不可少的部分，通過搜索并識別數(shù)據(jù)結(jié)合

3、，從而描述數(shù)據(jù)，發(fā)現(xiàn)數(shù)據(jù)之間隱含的、有趣的相互聯(lián)系。本文對聚類分析的定義、數(shù)據(jù)類型、聚類分析中的主要算法及度量標準作了簡要的介紹和系統(tǒng)的學習。為本文的全面展開奠定了基礎(chǔ)。 蟻群算法的概述。蟻群算法是一種模擬群體智能的算法，在解決基于離散空間的問題時表現(xiàn)出良好的性能。本文由群體智能引出蟻群算法，并對蟻群算法的原理及特征做了簡要的介紹。通過分析蟻群算法的優(yōu)缺點，指出該算法的一點改進的研究方向。針對蟻群算法早熟、停滯及容易陷入局部最優(yōu)

4、等缺陷，借助蟻群算法與遺傳算法相融合的思想并加以改進，將融合思想由解決離散域問題向更有效的解決連續(xù)域問題過渡，引出改進的基于交叉變異操作的蟻群算法，來提高蟻群算法的性能。 提高性能的蟻群聚類組合算法的研究。在研究基本蟻群聚類模型的基礎(chǔ)上，通過對公式、半徑、空間分割的改進，借助于短期記憶的思想，提出了一種改進的基本蟻群聚類方法(ILF算法)，通過改進，減少了參數(shù)的設(shè)置，降低了計算的時間，并具有較強的魯棒性。結(jié)合K-means算法，

5、提出了一種改進的基于信息素的K-means改進算法，通過對改進信息素的轉(zhuǎn)移概率判斷標準來進行聚類，減少了算法的參數(shù)個數(shù)，加快了聚類的進程。針對這兩種算法的聚類特點，提出一種蟻群聚類組合算法策略，該策略首先利用改進的ILF算法來完成一次聚類過程，然后收集聚類結(jié)果樣本，對樣本數(shù)據(jù)再利用改進的基于信息素的K-means算法進行結(jié)果的后期優(yōu)化處理，進行二次聚類過程，以此得到比單個算法更優(yōu)的性能。最后對各種算法進行數(shù)據(jù)測試和性能分析，并把蟻群聚類