基于蟻群算法的混合聚類算法研究.pdf

1、在聚類分析問題中，實際應(yīng)用的復(fù)雜性以及數(shù)據(jù)的多樣性往往使得某個算法僅適用于某一類特定數(shù)據(jù)，且存在一定缺陷。因此，許多新的聚類算法不斷被提出?；谖浵伝瘜W(xué)識別系統(tǒng)的聚類算法(AntClust)是一種新型的生物模擬進化算法，它能自動形成聚類數(shù)目、能發(fā)現(xiàn)任意形狀的簇、能處理任意類型的數(shù)據(jù)，有較強魯棒性和適應(yīng)性。然而，AntClust算法是基于隨機選擇的，且使用較多統(tǒng)計的隨機性參數(shù)作為判定依據(jù)，導(dǎo)致算法計算誤差較大。同時，它刪除小巢的方法也過于

2、呆板，不夠靈活。本文從對AntClust算法進行改進和將改進的AntClust與K-means算法進行組合兩方面著手，構(gòu)建一種新的混合聚類算法，來提高聚類結(jié)果的質(zhì)量。
　　 針對螞蟻初始化、行為規(guī)則、相似度計算和小巢刪除等方面存在的問題，提出了新的隨機碰面規(guī)則、相似度計算方法、復(fù)雜聚類中心定義和小巢刪除規(guī)則等改進措施。改進過程中，將“均值”的思想用于行為規(guī)則中，降低了隨機性帶來的誤差，提高了運算的精確度；新的復(fù)雜聚類中心，使算法

3、能夠計算類別屬性的“平均值”，提高了算法的處理能力，為與K-means算法的組合奠定基礎(chǔ)。改進的AntClust算法降低了迭代次數(shù)，提高了聚類結(jié)果的質(zhì)量。
　　 結(jié)合改進的AntClust特點，對K-means算法進行適當(dāng)?shù)男薷模和ㄟ^設(shè)定最大迭代次數(shù)控制K-means算法的停止；迭代過程中能更新螞蟻的接受閾值。按照以改進型AntClust算法為總體框架，將K-means算法融入其中的思路組合這兩個算法，通過二者反復(fù)調(diào)用來處理數(shù)據(jù)