蟻群聚類模型優(yōu)化方法的研究.pdf

1、隨著數(shù)據(jù)挖掘研究的不斷深入，群體智能越來越受到研究人員的關(guān)注，作為其重要分支的蟻群聚類算法備受學者們的青睞。蟻群聚類算法是受螞蟻群體行為啟發(fā)而設(shè)計的智能仿生算法，具有群體智能的分布式、魯棒性、易擴展性、簡單性、廣泛的適應(yīng)性等特點。
　　 本文主要研究蟻群聚類模型，分析總結(jié)了目前常見的蟻群聚類算法的基本原理、優(yōu)缺點，重點分析了最有優(yōu)勢的基于蟻堆形成的蟻群聚類算法(ACLUSTER)。雖然ACLUSTER算法取得了較好的效果，但還存

2、在處理不同類型數(shù)據(jù)性能差異較大，參數(shù)設(shè)定困難，執(zhí)行時間過長等問題。本文針對ACLUSTER的這些不足進行了改進。
　　 針對ACLUSTER算法在處理序列數(shù)據(jù)時，所使用的相似度丟失過多序列信息的不足，將序列相似度度量方法與ACLUSTER算法結(jié)合，提出了基于序列相似性的蟻群聚類算法(SeqAntCluster)。序列相似度度量方法綜合考慮了序列數(shù)據(jù)的集合相似性與順序相似性，能保留更多的序列特征，使人工螞蟻能更好地分辨序列數(shù)據(jù)之間

3、的差異，獲得更好的聚類結(jié)果。實驗表明，該方法能有效提高蟻群聚類算法處理序列數(shù)據(jù)的能力。
　　 針對高維數(shù)據(jù)的稀疏性、維數(shù)災(zāi)難等問題，把核函數(shù)方法引入蟻群聚類算法，將數(shù)據(jù)映射到高維特征空間進行聚類，提出了核函數(shù)優(yōu)化的蟻群聚類算法(KemelAntCluster,KAC)。由于核函數(shù)能將微小的樣本特征放大與優(yōu)化，可以提高人工螞蟻對數(shù)據(jù)差異的感知能力，提高對不同類數(shù)據(jù)的分辨能力，從而改善聚類效果。實驗表明，該方法在改善高維數(shù)據(jù)的聚類效

4、果的同時也加快了算法的收斂速度。
　　 針對ACLUSTER算法存在的收斂速度慢、運行時間過長、形成簇數(shù)量過多等缺點，提出了二次快速蟻群聚類算法(DoubleQuickAntCluster,DQAC)。采用新的二次聚類策略，通過使用不同參數(shù)的兩次聚類過程對數(shù)據(jù)進行聚類，使人工螞蟻在較短時間內(nèi)堆積較多的較小的簇，然后再把這些小的簇，放在較小的空間里進行第二次聚類。由于在小空間聚類可以減小迭代的規(guī)模，減少人工螞蟻和聚類數(shù)據(jù)對象的個數(shù)