蚁群聚类算法的研究与应用

论文摘要

数据挖掘是在海量的数据中寻找模式或规则的过程。数据聚类是其中一项重要的数据挖掘技术,是人们认识和探索事物之间内在联系的有效手段,它既可以作为独立的数据挖掘工具,发现数据库中数据分布的一些深入信息,也可以作为其它数据挖掘算法的预处理步骤,且在工程和技术领域具有广泛的应用背景。聚类就是将数据对象划分到不同组簇中,使得属于同簇内的数据对象具有相似性,而不同簇的数据对象具有相异性。本文在充分研究了现有蚁群聚类算法的基本原理与特性,为了提高算法效率,改善聚类质量,在归纳总结的基础上,提出基于信息素的蚁群聚类组合算法。主要思想是尽可能模仿蚂蚁的真实行为,将蚂蚁的空间转换与周围的环境紧密地联系在一起,避免了LF算法中蚂蚁随机的移动,又利用了蚁群分布式搜索的特性,来改善传统的K-means算法常常易于陷入局部最优的缺陷。最后将此种算法应用于证券行业中客户的细分。本文的研究具有一定的理论和实践意义。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 引言
• 1.2 国内外研究现状及未来发展趋势
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.2.3 未来发展趋势
• 1.3 本文研究的主要内容
• 2 相关理论基础研究
• 2.1 数据挖掘
• 2.1.1 数据挖掘的任务
• 2.1.2 数据挖掘的分类
• 2.1.3 数据挖掘的方法
• 2.2 聚类分析
• 2.2.1 聚类分析的定义
• 2.2.2 聚类分析的方法
• 2.2.3 聚类分析中的数据类型
• 2.2.4 聚类准则的确定
• 2.2.5 聚类分析的度量标准
• 2.3 蚁群算法
• 2.3.1 基本蚁群优化算法
• 2.3.2 基本蚁群算法原理
• 2.3.3 基本蚁群算法模型
• 2.3.4 TSP 问题的描述
• 2.3.5 蚁群算法的描述
• 2.3.6 蚁群算法的流程
• 2.3.7 蚁群算法的研究现状
• 3 基于蚂蚁觅食原理的聚类组合算法
• 3.1 GCBP 算法
• 3.1.1 LF 算法
• 3.1.2 GCBP 算法
• 3.1.2.1 GCBP 算法基本思想
• 3.1.2.2 GCBP 算法基本原理
• 3.1.2.3 关于信息素
• 3.1.2.4 关于蚂蚁转换概率
• 3.1.2.5 关于局部相似度
• 3.1.2.6 关于蚂蚁拾起和放下对象的概率
• 3.1.2.7 GCBP 算法步骤及复杂度分析
• 3.1.3 GCBP 算法与 LF 算法的比较
• 3.2 基于信息素的划分法聚类算法 PCBP
• 3.2.1 k-means 算法简介
• 3.2.2 PCBP 算法
• 3.2.2.1 基本思想
• 3.2.2.2 PCBP 算法描述
• 3.2.3 PCBP 算法与 K-means 算法的比较
• 3.3 聚类组合算法
• 4 蚁群聚类组合算法在证券行业客户细分中的应用
• 4.1 证券行业背景
• 4.2 应用设计步骤
• 4.3 蚁群聚类组合算法在证券行业客户细分中的应用
• 4.3.1 实验过程
• 4.3.2 实验结果分析
• 5 结论与展望
• 5.1 结论
• 5.2 展望
• 攻读硕士学位期间发表的学术论文
• 致谢
• 参考文献