蚁群聚类算法研究

论文摘要

蚁群算法（ACA）是一种新兴的智能优化算法,具有分布式计算、信息正反馈和启发式搜索的特征,在解决许多复杂优化问题上已经展示出其优异的性能和巨大的发展潜力。将蚁群算法应用于数据挖掘领域的聚类分析,开始成为信息时代应对“数据爆炸但知识贫乏”现象的一种智能方式。由于蚁群算法本身还处于发展的阶段,还需要很多的验证工作,因此对蚁群聚类算法（ACCA）进行全面的、深入的研究具有重要的意义。本文对蚁群聚类算法进行了较为深入的研究与分析,并提出了一种改进的算法,做的主要工作如下。1.总结近年来有代表性的蚁群聚类算法。首先对蚁群聚类算法的两种基本模型及其典型算法进行简单的介绍和比较分析,然后概述其中一些具有代表性的蚁群聚类组合算法的改进思路。2.提出改进的基于类连通的蚁群聚类组合算法（IACCHA）,利用蚁群算法的分布式搜索避免陷入局部最优,利用K-means算法的简单高效和类的连通性,提高算法效率。算法的改进主要表现在:通过设定阈值,减少了伪孤立类的产生;利用最邻近法则对初始聚类结果进行修正,再对聚类中心进行聚类;算法测试前,对数据采用不同的数据预处理技术:信息熵法确定属性权重和主成分分析法降维;算法测试中,通过变动半径的取值区间来检验算法的稳定性,通过变动步长来得到最优聚类结果。对改进算法进行的数据测试和性能分析表明,改进算法具有计算效率高、聚类能力强、稳定性好等优点,可以用来获得全局最优解。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题背景
• 1.2 国内外研究概况
• 1.2.1 数据挖掘研究现状及其发展趋势
• 1.2.2 蚁群算法研究现状及其发展趋势
• 1.3 论文研究的内容和组织
• 第二章 蚁群聚类相关技术分析
• 2.1 聚类分析理论基础
• 2.1.1 聚类问题模型
• 2.1.2 聚类过程
• 2.1.3 数据规范化变换方法
• 2.1.4 相似度度量方法
• 2.1.5 聚类分析的主要方法
• 2.2 蚁群聚类算法的基本模型
• 2.2.1 基于蚁堆原理的蚁群聚类算法——模型1
• 2.2.2 基于觅食原理的蚁群聚类算法——模型2
• 2.2.3 两种模型的比较分析
• 2.3 小结
• 第三章 一种改进的蚁群聚类组合算法
• 3.1 蚁群聚类组合算法
• 3.1.1 基于模型1的聚类组合算法
• 3.1.2 基于模型2的聚类组合算法
• 3.1.3 两种模型的融合聚类算法
• 3.2 改进的基于类连通的蚁群聚类组合算法
• 3.2.1 基础知识
• 3.2.2 改进算法思想
• 3.2.3 相关公式
• 3.2.4 改进算法描述
• 3.3 小结
• 第四章 仿真实验与结果分析
• 4.1 数据准备
• 4.1.1 测试数据
• 4.1.2 数据预处理
• 4.2 性能评价标准
• 4.3 改进算法实验设计及结果
• 4.3.1 基于信息熵权重的蚁群聚类组合算法实验（IACCHA-E）
• 4.3.2 基于主成分分析的蚁群聚类组合算法实验（IACCHA-P）
• 4.4 各算法实验结果对比与分析
• 4.5 小结
• 第五章 总结及展望
• 5.1 研究工作总结
• 5.2 今后工作展望
• 参考文献
• 致谢
• 攻读硕士学位期间主要的研究成果