蚁群聚类算法研究与应用

论文摘要

数据挖掘是从海量的数据中寻找模式或规则的过程。聚类分析作为数据挖掘中一个重要的研究内容,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,已经被广泛应用在诸多领域。蚁群算法是一种模拟蚂蚁群体行为的仿生优化算法,因其具有分布式计算、信息正反馈和启发式搜索的特征在聚类分析中显示出很好的应用前景。本文在充分研究了现有蚁群聚类算法的基本原理与特性的基础上,为了进一步提高算法的收敛速度,改善聚类质量,提出了基于蚁堆形成原理的改进的蚁群聚类算法,并将该算法与一种改进的遗传算法进行融合。主要思想是利用改进的遗传算法的快速全局搜索能力,生成蚁群聚类算法中的信息素初始分布,然后再利用蚁群聚类算法的正反馈机制求精确解。该算法实现了两个算法的优势互补,大大减低了蚁群聚类算法中对参数的调整而造成的试验次数过多,并有效地防止了蚁群聚类算法很快地收敛到局部最优解的缺点,使得算法在优化性能和时间性能两个方面都有所改善。最后将该算法应用于房地产行业的客户细分中。

论文目录

• 致谢
• 摘要
• Abstract
• 1 绪论
• 1.1 选题的背景
• 1.2 蚁群聚类算法的研究现状及未来趋势
• 1.2.1 蚁群聚类算法的研究现状
• 1.2.2 蚁群聚类算法的未来趋势
• 1.3 论文的研究内容与创新点
• 1.3.1 论文的研究内容
• 1.3.2 论文的创新点
• 1.4 论文的组织结构
• 2 相关理论基础
• 2.1 基础蚁群算法
• 2.1.1 蚁群行为描述
• 2.1.2 基本蚁群算法的机制原理
• 2.1.3 基本蚁群算法的数学模型
• 2.1.4 基本蚁群算法的优缺点
• 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 聚类分析的度量标准
• 3 一种改进的基于蚁堆形成原理的聚类算法
• 3.1 改进的基本蚁群聚类算法
• 3.1.1 基本蚁群聚类算法模型
• 3.1.2 改进的基本蚁群聚类算法（IBACA）
• 3.1.3 IBACA 算法的优点
• 3.2 改进的遗传算法
• 3.2.1 遗传算法（GA）
• 3.2.2 改进的遗传算法（IGA）
• 3.2.3 IGA 算法的优点
• 3.3 改进的融合IGA 算法的蚁群聚类算法
• 3.3.1 算法的基本思想
• 3.3.2 蚁群聚类算法中遗传操作
• 3.3.3 算法的描述
• 3.3.4 聚类的标准评估
• 3.3.5 算法的优点
• 4 IAGCA 算法在房地产行业客户细分中的应用
• 4.1 房地产行业的行业背景
• 4.2 客户细分的三维价值体系模型
• 4.2.1 企业自身相对优势
• 4.2.2 客户当前价值
• 4.2.3 客户潜在价值
• 4.3 房地产行业客户细分指标体系
• 4.4 应用目标分析
• 4.5 数据准备与处理
• 4.5.1 房地产行业客户特征数据模型
• 4.5.2 客户行为特征的数据采集
• 4.5.3 数据预处理
• 4.6 客户细分及结果分析
• 4.6.1 利用IAGCA 算法实现基于三维价值体系模型的客户细分
• 4.6.2 聚类结果分析
• 结论
• 参考文献
• 作者简历
• 学位论文数据集