基于改进的启发式蚁群算法的聚类问题的研究

蚁群算法是优化领域中新出现的一种仿生进化算法,广泛应用于求解复杂组合优化问题,并已在通信网络、机器人等许多应用领域得以具体应用。聚类问题作为一种无监督的学习,能根据数据间的相似程度自动地进行分类。基于蚁群算法的聚类算法已经在当前的数据挖掘研究中得到应用。文中针对早期蚁群聚类算法的缺点,提出一种改进的启发式蚁群聚类算法（IHAC）,将蚁群在多维空间中移动的启发式知识存储在称之为“记忆银行”的设备当中,来指导蚁群后边的移动行为,降低蚁群移动的随意性,避免产生未分配的数据对象。并用一些数据做了一些实验,结果证明改进的蚁群聚类算法在误分类错误率和运行时间上优于早期的蚁群聚类算法。     

基于改进的启发式蚁群算法的聚类问题的研究

蚁群算法是优化领域中新出现的一种仿生进化算法,广泛应用于求解复杂组合优化问题,并已在通信网络、机器人等许多应用领域得以具体应用。聚类问题作为一种无监督的学习,能根据数据间的相似程度自动地进行分类。基于蚁群算法的聚类算法已经在当前的数据挖掘研究中得到应用。文中针对早期蚁群聚类算法的缺点,提出一种改进的启发式蚁群聚类算法(IHAC),将蚁群在多维空间中移动的启发式知识存储在称之为"记忆银行"的设备当中,来指导蚁群后边的移动行为,降低蚁群移动的随意性,避免产生未分配的数据对象。并用一些数据做了一些实验,结果证明改进的蚁群聚类算法在误分类错误率和运行时间上优于早期的蚁群聚类算法。     

一种多蚁群聚类组合算法研究及其应用

首先对一种单蚁群聚类算法作了改进,然后模仿多蚁群的协作性能,将运动速度各异的多个蚁群独立且并行地进行聚类分析,并将其聚类结果组合为超图,然后再用蚁群算法对超图进行二次划分,并得到了4个数据库的测试结果.     

基于改进蚁群算法的聚类分析

聚类在数据挖掘、统计学、机器学习等很多领域都有很大应用.聚类问题可以归结为一个优化问题.蚁群算法(Ant Colony Algorithm)已成功地解决了许多组合优化的难题.介绍一种蚁群聚类算法,并进行了优化,提出一种改进的蚁群聚类算法.它改进了蚂蚁搜索解的方法,并引入均匀交叉算子,将蚁群算法和遗传算法融合.它提高进化速度,有效改善了蚁群算法易于过早地收敛于非最优解的缺陷.仿真实验取得了较好的结果.     

不完备文本信息系统的集对分析聚类算法

考虑到实验数据的大规模性及不完备性等特点,根据集对分析理论,提出一种新超图模型不完备文本系统的聚类算法,即在超图边的权重中引入了集对的同异反联系度和集对的相似联系度并建立了超图模型,最后应用超图分隔法进行聚类.该算法克服了传统聚类算法的缺陷,更有效地降低了文本空间的维数,提高了不完备文本信息系统聚类的精度和速度.最后的实例说明了该算法的可行性和有效性.     

一种基于混合策略的蚁群聚类算法

蚁群算法是一种智能聚类分析方法。分析了基本蚁群聚类算法的特点和不足,总结了不同的聚类情景,并在此基础上提出了一种新的基于混合策略的蚁群聚类算法。新算法中,蚂蚁根据不同的聚类情景而采取不同的行为策略,同时赋予蚂蚁多载功能。实验表明基于混合策略的蚁群聚类算法显著改善了聚类效果。     

蚁群聚类组合方法的研究

基于蚁群算法的聚类算法已经在当前的数据挖掘研究中得到应用。针对蚁群聚类算法早期出现的缺点,提出一种蚁群聚类组合方法使其得以改进。改进思路是引入K-means作为蚁群算法的预处理过程。通过K-means快速、粗略地确定聚类中心,利用K-means方法的结果作为初值,再进行蚁群算法聚类。有效地解决了蚁群算法早期收敛过慢等问题。     

基于蚁群优化算法的彩色图像颜色聚类的研究

颜色聚类是计算机视觉和图形学中基本的处理问题 .提出了蚁群聚类算法在彩色图像颜色聚类中应用的新思路 .根据蚁群 pick- drop机制的基本原理 ,提出了在 RGB彩色空间中 ,改进的蚁群算法在彩色图像像素的颜色值聚类中的应用 ,最后进行像素的颜色映射 ,从而完成量化工作 .实验表明 ,采用该算法进行色彩的量化更具鲁棒性 ,颜色失真小 ,同时实现简单     

一种基于信息素的蚁群聚类算法

蚁群算法作为一种新型的优化方法,具有很强的适应性和鲁棒性。基于蚁群算法的聚类方法已经在当前数据挖掘研究中得到应用。文章提出了一个新颖策略来解决无人监督的数据聚类问题,利用信息素控制蚂蚁随机移动提高算法效率,采用运动速度各异的多个蚂蚁独立并行进行聚类来提高聚类质量。实验结果表明该方法是有效的。     

聚类邻域自适应调整的多载蚁群算法

针对基本蚁群聚类算法较长时间开销和易产生冗余聚类数目的缺陷,提出了一种基于动态邻域的多载蚁群聚类算法。算法通过邻域动态自适应调整寻找纯净的邻域,增强蚂蚁记忆体记忆纯净邻域的大小,蚂蚁之间协同交流进行多载整合相似邻域形成最终聚类结果。实验结果表明新算法能有效提高算法效率且取得较好的聚类效果。     

一种基于遗传算法改进的蚁群聚类算法

基于K-means算法改进的蚁群聚类算法需要用户凭借经验事先输入聚类数k。针对此缺点,对该算法进行了改进,提出了一种基于遗传算法改进的蚁群聚类算法,采用启发式搜索自动搜索最佳聚类数k,使聚类数与实际问题相符,以便获得更好的聚类结果。实验结果证明,算法在聚类应用中是可行的、有效的。     

基于群体智能理论的聚类模型及优化算法

聚类是一种把整个数据库分成不同的群组,使群与群之间差别很明显,而同一个群之间的数据尽量相似的算法。该文通过对现有群体智能理论和聚类算法的研究,提出了一种基于群体智能理论的聚类模型,并在此基础上给出了一种优化蚁群聚类算法。实验证明,该优化蚁群算法具有良好的聚类效果,可应用于经济分析、模式识别、文档归类等多个领域。     

基于K-均值与蚁群混合聚类的图像分割

针对单一聚类算法在图像分割中容易陷人局部最优或有过分割现象,造成分割精确度低等问题,文章提出了基于K-均值聚类和蚁群聚类相结合的新算法.新算法先将K-均值算法作快速分类,根据K-均值分类结果更新蚂蚁各路径上的信息素,指导其他蚂蚁选择,以提高蚁群聚类算法的运行效率.实验结果证明,新算法在图像分割处理的精确度上较单一的K均...     

蚁群优化与模糊聚类结合的文本聚类研究

针对模糊文本聚类算法（FCM）对输入顺序以及初始点敏感的问题,提出了一种使用蚁群优化的模糊聚类算法（FACA）。该算法采用蚁群聚类算法（ACA）找到聚类的初始中心点,以解决模糊聚类的输入顺序以及初始点敏感等问题。模糊文本聚类算法的线性复杂度使其更便于在计算机实现。与经典的基本模糊聚类以及蚁群聚类在真实数据集上仿真相比较,结果表明经蚁群优化过的模糊聚类算法（FACA）效果更有效,更适合应用于大型的数据集。     

一种基于蚁群聚类算法的雷达辐射源识别方法

提出了基于蚁群聚类算法的雷达辐射源识别方法。该方法采用雷达辐射源特征参数建立模型,对雷达辐射源样本进行识别,仿真结果接近90%。实验表明,蚁群聚类算法识别雷达辐射源的方法具有一定的可行性。     

基于信息熵的蚁群聚类改进方法研究

从模仿蚂蚁堆积尸体的基本模型出发,可以实现蚁群聚类算法.研究了实现基本蚁群算法以及基于信息熵的蚁群聚类算法的关键方法,测试并验证了算法的有效性.同时,在比较其性能的基础上,主要针对基于信息熵的蚁群聚类算法收敛速度快,但却容易陷入局部最优的缺陷,从聚类拆分、合并、孤立点处理等几个方面对基于信息熵的蚁群聚类算法进行了改进,从而在利用其收敛速度快的基础上提高聚类的准确性.仿真实验表明:改进后的方法在聚类的准确性和收敛速度方面都得到了很好的结果,对基于信息熵的蚁群居类算法优化提供了比较好的应用改进.     

一种基于垂直分布的非数值数据聚类算法

在本文中，我们提出了一种新的非数值数据聚类算法-VBCCD．VBCCD算法由关系表计算关系的一维分割，再由关系的分割来构造一个超图，而后通过超图分割算法，对构造出来的超图进行优化分割，得到最终的聚类结果。试验结果表明，该算法比传统的针对数值数据设计的聚类算法有更好的效果。     

基于信息熵的蚁群聚类算法在客户细分中的应用①

传统的蚁群聚类算法需设置较多参数,且聚类时间较长。基于信息熵的蚁群聚类算法通过信息熵改变蚂蚁拾起和放下数据的规则,减少了参数的设置、缩短了聚类的时间,将其应用于客户细分,并且与采用传统的蚁群聚类算法得到的细分结果进行比较分析,实验表明。基于信息熵的蚁群聚类算法可以加快客户细分的聚类进程。     

基于信息熵的蚁群聚类算法在客户细分中的应用①

传统的蚁群聚类算法需设置较多参数,且聚类时间较长。基于信息熵的蚁群聚类算法通过信息熵改变蚂蚁拾起和放下数据的规则,减少了参数的设置、缩短了聚类的时间,将其应用于客户细分,并且与采用传统的蚁群聚类算法得到的细分结果进行比较分析,实验表明。基于信息熵的蚁群聚类算法可以加快客户细分的聚类进程。     

蚁群聚类组合方法参数M的研究

蚁群算法中参数在不同取值情况下,常常会对算法的性能和求解效率产生重大影响。该文在基于蚁群聚类组合方法的研究基础上,重点研究了蚁群聚类组合方法KMAOC算法中蚁群算法参数蚂蚁数m对KMAOC算法性能的影响,对KMAOC算法中的参数蚂蚁数m分别取值进行实验,通过几组实验验证提供了KMAOC算法中参数蚂蚁数m配置的较好建议。