蟻群聚類算法的優(yōu)化研究.pdf

1、數(shù)據(jù)挖掘是從海量數(shù)據(jù)中獲取潛在有用信息的重要手段。聚類分析是數(shù)據(jù)挖掘中的一項(xiàng)重要內(nèi)容，是人們認(rèn)識和探索事物間聯(lián)系的有效手段，它既可作為獨(dú)立的數(shù)據(jù)挖掘工具，又可作為其他數(shù)據(jù)挖掘算法的預(yù)處理步驟，在各領(lǐng)域均得到了廣泛應(yīng)用，已成為數(shù)據(jù)挖掘研究領(lǐng)域中一個非?；钴S的研究課題。隨著數(shù)據(jù)挖掘技術(shù)的深入研究，群體智能也越來越受到研究人員的關(guān)注，作為其重要分支的蟻群聚類算法也備受學(xué)者們的青睞。蟻群聚類算法是受到螞蟻群居生活的集體行為啟示而設(shè)計的智能算法，

2、體現(xiàn)了群體智能的分布式、魯棒性、簡單性、易擴(kuò)展性、廣泛的適應(yīng)性等特點(diǎn)，而且其最大的優(yōu)點(diǎn)是在聚類過程中無需設(shè)置聚類個數(shù)。
　　 本文著重研究蟻群聚類算法，總結(jié)了現(xiàn)今蟻群聚類算法的主要分類，重點(diǎn)分析了基于螞蟻化學(xué)識別系統(tǒng)的蟻群聚類算法（AntClust）的基本思想、算法步驟及其優(yōu)缺點(diǎn)。針對AntClust的不足，本文首先提出了一種基于K-means的蟻群聚類算法KmAntClust。該算法將K-means算法思想引入到AntClus

3、t聚類算法中，改進(jìn)AntClust算法聚類判斷規(guī)則，不再使用Mi和Mi+作為歸類依據(jù)，而是計算螞蟻與巢中心的距離，從距離的角度判斷螞蟻是否應(yīng)被踢出巢（即是否隸屬于該簇）。在UCI數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，KmAntClust算法比AntClust算法聚類效果好。接著，針對蟻群聚類算法大量采用隨機(jī)搜索機(jī)制和K-means算法均會使聚類結(jié)果陷入局部最優(yōu)的缺點(diǎn)，本文第二個工作就是提出應(yīng)用SVM增強(qiáng)KmAntClust的全局搜索能力，從而得到全局

4、最優(yōu)的聚類結(jié)果。SVM是有導(dǎo)師且學(xué)習(xí)能力較強(qiáng)的機(jī)器學(xué)習(xí)方法，它能在給定有限樣本的條件下取得問題的最優(yōu)解。為了獲得高質(zhì)量的聚類結(jié)果，在KmAntClust聚類結(jié)果基礎(chǔ)上，取類中心附近一定比例的數(shù)據(jù)作為訓(xùn)練集訓(xùn)練SVM，然后利用已訓(xùn)練得到的模型對數(shù)據(jù)集進(jìn)行重新分類，使得聚類結(jié)果達(dá)到給定條件下的最優(yōu)解。實(shí)驗(yàn)結(jié)果表明，該方法進(jìn)一步提高了聚類質(zhì)量。
　　 本文提出將K-means和AntClust算法結(jié)合，利用K-means算法的高效性、