蚁群算法研究及其在聚类中的应用

论文摘要

蚁群算法是一种近年发展的模拟蚂蚁群体觅食行为的仿生优化算法。该算法采用了正反馈并行自催化机制,具有较强的鲁棒性、优良的分布式计算机制、易于与其它方法结合等优点,在解决许多复杂优化问题方面已经展现出其优异的性能和巨大的发展潜力,近几年吸引了国内外许多学者的兴趣,并对其进行了多方面的研究。聚类分析也称聚类,是多元统计分析的一种,同时也是数据挖掘中的重要研究领域,是数据分组和划分处理的重要手段。聚类的目标是在没有任何先验知识的前提下,根据样本自身的相似性划分成若干个子集,使相似的样本尽可能归为一类,而不相似的尽量划分到不同的类中,因此,聚类又称无监督分类,在图像分割、医学诊断、天气预报、矿藏识别及商务领域等有着广泛的应用。本文首先介绍了聚类分析的定义、聚类的方法、数据类型及聚类结构的度量标准,并列举了每种基本聚类算法中的几个经典算法。其次介绍了基本的蚁群算法,同时介绍了几种蚁群算法在聚类中的应用。文章重点讨论了基于蚁群算法改进的蚁群聚类算法,并试图从几方面改进蚁群聚类算法:算法执行效率、聚类质量、蚂蚁聚类过程中的移动方向选择以及降低算法对参数的输入量,并提出了两种改进的蚁群聚类算法方案。实验采用一组二维数据及聚类中常用的IRIS数据集分别测试和验证改进算法,并和K-Means算法及基本的蚁群聚类算法进行比较,证实算法改进的有效性。最后,总结了当前工作,分析了相关问题,给出了在该方面的进一步研究工作,并对蚁群聚类算法进行了展望。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究的背景、目的及意义
• 1.2 国内外研究现状
• 1.2.1 聚类算法研究现状
• 1.2.2 蚁群算法的研究现状
• 1.2.3 蚁群聚类算法的研究现状
• 1.3 研究内容与思路
• 1.4 论文的组织结构
• 第二章 聚类算法及蚁群算法简介
• 2.1 聚类算法简介
• 2.1.1 聚类的基本原理
• 2.1.2 聚类分析的常用方法
• 2.1.3 聚类的典型要求
• 2.1.4 聚类算法存在的问题
• 2.2 蚁群算法简介
• 2.2.1 蚂蚁算法原理
• 2.2.2 基本蚁群算法的数学模型
• 2.2.3 基本蚁群算法的实现步骤
• 2.2.4 基本蚁群算法优缺点
• 第三章 蚁群聚类算法简介
• 3.1 蚁群聚类算法分类
• 3.2 蚁群聚类算法分析
• 3.2.1 基于蚂蚁行为特征的聚类
• 3.2.2 多种群蚂蚁聚类
• 3.2.3 混合的蚂蚁聚类算法
• 3.3 蚁群聚类算法存在的问题
• 第四章 一种改进的蚁群聚类算法
• 4.1 蚁群聚类算法分析
• 4.2 改进算法的基本思想
• 4.3 算法的基本原理
• 4.3.1 适应度函数
• 4.3.2 移动策略
• 4.4 算法分析
• 4.4.1 算法步骤
• 4.4.2 算法测试与分析
• 4.5 本章小结
• 第五章 AGACA 蚁群聚类算法及应用
• 5.1 AGACA 的基本思想
• 5.2 算法的基本原理
• 5.2.1 适应度函数
• 5.2.2 选择概率
• 5.2.3 信息素更新
• 5.3 AGACA 算法步骤及分析
• 5.3.1 算法步骤
• 5.3.2 AGACA 算法分析
• 5.4 算法的应用与结果分析
• 5.4.1 实验介绍
• 5.4.2 实验结果与分析
• 5.5 本章小结
• 结论
• 参考文献
• 附录
• 攻读硕士学位期间取得的学术成果
• 致谢