《基于蚁群算法的聚类分析方法研究》由会员分享，可在线阅读，更多相关《基于蚁群算法的聚类分析方法研究（65页珍藏版）》请在金锄头文库上搜索。
1、 摘 要 I 摘 要 摘 要 目前， 蚁群算法和数据挖掘技术研究已成为国际智能计算领域的研究热点和 前沿性课题。本文的主要研究目是：进行蚁群算法、数据挖掘技术、聚类分析技 术研究；进行蚁群算法在聚类分析方法中的应用研究；提出改进的更加优化的蚁 群聚类分析方法，并给出了算法性能优越性分析。 本文综述了国内外蚁群算法和数据挖掘技术的研究现状和未来的发展趋势。 分别对数据挖掘技术、聚类分析技术、蚁群算法进行了深入的研究。在两种经典 蚁群聚类算法的基础上， 分析了两种改进的蚁群聚类算法 （IK-means 算法和 IPLF 算法）。同时融合 IK-means 算法和 IPLF 算法，得到一种蚁群聚类组
2、合算法。并 分析了以上三种提到的蚁群聚类算法在试验验证中的效果和性能。 本文目的在于研究仿生优化算法在聚类分析方法中的应用：(1)改进仿生优 化中的蚁群算法；(2)深入研究数据挖掘技术；(3)详细分析数据挖掘技术中的聚 类分析技术；(4)将蚁群算法应用到数据挖掘中的聚类分析方法的研究，提出更 加优化的聚类分析算法，并通过实验证明算法的可行性和优越性。 基于蚁群算法的聚类组合方法研究,对该改进算法有如下三个步骤的研究： (1) 带有信息素的 k_means 算法：介绍了基本 k_means 算法，然后引入带有 信息素的 k_means 算法的介绍， 并分析该算法的优缺点， 给出改进的带有信息素
3、的 k_means 算法，并进行了实验测试和性能分析。 (2) 带有信息素和信息熵的 LF 算法：引入信息熵，介绍了经典的 LF 算法和 带有信息熵的 LF 算法， 在此基础上提出改进的基于信息素和信息熵的 LF 算法。 (3) 蚁群聚类组合算法：在以上两种改进的蚁群聚类算法的基础上，提出将 以上两种改进的聚类分析算法融和，带有二次聚类的蚁群聚类组合算法。 本文对改进后的算法分别选择人工随机选择的测试数据和标准数据库上的 数据进行测试。通过大量测试实验表明：对于不同类型的数据如能设置合适的参 数，算法将会得到更好的实验结果，算法的性能在一定程度上将得到改善。 关键词关键词：聚类分析；蚁群算法；
4、信息素；信息熵；数据挖掘 基于蚁群算法的聚类分析方法研究 A b s t r a c t A b s t r a c t At present, Ant Colony Algorithm (ACA) and Data Mining Research have become focus and the forefront of issues in international intelligent computing. The purpose of this paper is to study the method of application about bionic optimization
5、 algorithm in the cluster analysis: Research on Ant Colony Optimization、Data Mining Technology and Mining Technology in the cluster analysis；Study the application of improved Ant Colony Optimization in data mining for cluster analysis；Make the improved and more optimized ant colony clustering analys
6、is method, and give the results of experiment. This paper describes the ant colony algorithm and data mining research status and future development trends and their main advantages and disadvantages，This paper puts forward three kinds of improved ant colony clustering algorithm: integrates the two k
7、inds of Ant Colony Algorithm to get the new ant colony clustering algorithm, and give the results of experiment. Data mining, clustering analysis and ant colony algorithm are summarized respectively, and made the two kinds of improved Ant Colony Clustering Algorithm. (1) Improved with pheromone K-me
8、ans algorithm (IK-means algorithm)： Introduced the with pheromone K-means algorithm, and then analysis of the advantages and disadvantages of the algorithm, given the improved algorithm IK-means. Using artificial test data randomly selected for testing test the improved algorithm, test results are g
9、iven and analyzed the performance. (2) Improved with pheromone and Information entropy LF algorithm(IPLF algorithm)： Cluster analysis method introduced in the entropy-based algorithm for the LF. The introduction of pheromones has been improved IPLF algorithms, and analyzed of the experimental result
10、s. (3) Combination of ant colony clustering algorithm： the improved cluster Analysis algorithm were proposed ,on the base of the two improved cluster analysis method and the combine with the two improved cluster analysis algorithm. For different types of data such as the right to set parameters, Alg
11、orithm performance will be improved to some extent. Abstract III Key Words： Cluster Analysis; Ant colony algorithm; Pheromone; Information entropy; Data Mining 基于蚁群算法的聚类分析方法研究 IV 目 录 目 录 摘 要.I Abstract.II 目 录IV 第一章 绪论. 1 1.1 概述 1 1.2 国内外研究现状 1 1.2.1 国外研究现状 1 1.2.2 国内研究现状 2 1.3 未来发展趋势分析. 2 1.4 论文的主要内
12、容与组织结构. 3 第二章 数据挖掘与聚类分析技术 5 2.1 数据挖掘技术分析. 5 2.1.1 数据挖掘概述 5 2.1.2 数据挖掘技术分类 7 2.1.3 数据挖掘过程分析 9 2.1.4 数据挖掘存在的问题 9 2.2 聚类分析技术 11 2.2.1 聚类分析概念 11 2.2.2 聚类分析的方法 12 2.2.3 聚类分析中数据类型分析 13 2.2.4 聚类分析的度量标准 15 2.2.5 数据挖掘中聚类分析要求 16 2.3 本章小结 16 第三章 蚁群算法分析与研究 17 3.1 蚁群算法分析 17 3.1.1 人工蚂蚁与真实蚂蚁比较 17 3.1.2 觅食原理模拟 18 3
13、.2 蚁群算法的系统学特征. 18 3.2.1 分布式计算 19 3.2.2 自组织. 19 3.2.3 正反馈. 19 目 录 V 3.3 蚁群算法的数学模型. 20 3.3.1 TSP 描述 . 20 3.3.2 数学模型. 20 3.4 蚁群算法描述及流程图. 21 3.5 蚁群算法在聚类分析中的应用. 24 3.6 本章小结 24 第四章 两种改进的蚁群聚类算法 25 4.1 基本蚁群聚类算法模型. 25 4.2 改进的基于信息素的 K-means 算法. 25 4.2.1 基本 K-means 算法 25 4.2.1.1 基本 K-means 算法模型 . 25 4.2.1.2 基本
14、 K-means 算法实现 . 26 4.2.2 改进的带有信息素的 K-means 算法（IK-means 算法）. 27 4.2.2.1 改进的 IK-means 算法思想 27 4.2.2.2 改进的 IK-means 算法实现 29 4.2.2.3 改进的 IK-means 算法实验结果 34 4.2.3 两种算法的实验结果比较分析. 35 4.3 改进的基于信息素和信息熵的 LF（IPLF）算法. 35 4.3.1 LF 算法模型和具体实现步骤. 35 4.3.2 改进的基于信息素和信息熵的 LF 算法(IPLF 算法) 37 4.3.2.1 改进的 IPLF 算法思想 . 38 4
15、.3.2.2 改进的 IPLF 算法实现步骤和主流程图. 38 4.4 本章小结 41 第五章 改进的蚁群聚类组合算法 42 5.1 蚁群聚类组合算法模型. 42 5.2 蚁群聚类组合算法过程简介. 43 5.3 蚁群聚类组合算法的实验分析 . 45 5.4 蚁群聚类组合算法的性能分析 . 46 5.5 本章小结 46 第六章 总结与展望. 48 6.1 本文主要完成的研究工作. 48 6.2 未来的主要研究工作. 49 参考文献 50 附图表 55 致 谢 56 基于蚁群算法的聚类分析方法研究 VI 攻读硕士学位期间发表学术论文情况 57 第一章 绪论 1 第一章 绪论 第一章 绪论 1 .
16、 1 概述 1 . 1 概述 当今时代，信息量的急剧膨胀，数据挖掘技术越来越体现出自己的应用价值 1 , 2 。数据挖掘为分析和探查新的数据类型提供了很大的机会，使得人们能够用 新方法分析旧数据。由于数据收集和数据存储技术的快速进步，各机构可以积累 大量数据。然而，如何提取有用的信息已经是巨大的挑战。通常情况下，由于数 据量太大，无法用传统的数据分析工具和技术处理它。有时，即使数据很小，由 于数据本身的非传统特点，也不能使用传统方法处理。一些问题已经不能使用已 有的数据挖掘技术来解决，所以需要开发新的数据挖掘方法。 随着数据量的激增，对于人们在日常生活中遇到的一些问题，现有的系统中 的分析工具无法给出解决方法。 数据挖掘技术的产生， 正是在这种要求下形成的。 同时，仿生优化算法是人工智能研究领域的一个重要分支，其中包括遗传算 法、蚁群算法、微粒群算法等。大大丰富了现代优化技术。 蚁群算法(Ant Colony Algorithm， ACA)是一种最新发展的模拟真实世界蚂蚁 觅食行为的仿生优化算法。 该算法采用了并行的正反馈机制， 具有较强的鲁棒性、
