浅析蚁群算法的聚类应用

本文首先简单阐述了蚁群算法及其发展,接着在蚁群算法的聚类分析概念基础上,联系国内外研究与应用,介绍了蚁群算法的聚类应用,着重说明了蚁群算法用于聚类的方向,最后总结了带聚类处理的蚁群算法的研究和应用的可能方向。     

基于空间聚类和蚁群算法的车辆路径问题的研究

针对蚁群算法在解决车辆路径问题（VRP）上易陷入局部最优解的缺陷,首先利用加权K-means算法对客户进行区域划分,再利用蚁群算法对每个区域进行求解,实验结果表明方法具有良好的性能。     

蚁群聚类算法的改进和实现

本文介绍了现有的蚁群聚类算法,在此基础上进行改进,又利用信息熵减少参数设置,提高聚类性能,并且通过仿真实验实现了数据集的聚类。结果表明,新算法能加快聚类速度,得到较好的聚类结果。     

一种新的混合蚁群聚类算法

针对蚁群聚类算法存在收敛速度慢、易陷入局部最优等缺陷,通过在蚁群聚类算法的每次迭代过程中引入遗传算法,提出一种混合蚁群聚类算法.它利用遗传算法全局快速收敛的特性,提升了蚁群聚类算法的收敛速度,同时,遗传算法中的交叉、变异操作扩大了解空间的搜索,帮助蚁群算法跳出局部最优.仿真试验验证了算法的性能.     

一种改进的蚁群聚类算法

针对现有蚁群聚类中将带聚类样本放于网格进行聚类的算法存在随机移动而延长聚类时间,及大数据集进行蚁群聚类时收敛速度慢的缺点,在蚁群进行聚类前增加数据预处理.利用两元素越相似属于同一类簇的可能性越大的思想,将样本集中的样本量缩小.研究了通过信息素进行聚类的蚁群聚类算法,使算法中的"蚂蚁"在一定指导下进行聚类,达到缩短时间的目的.最后通过实验验证了所提出算法的有效性和优越性.     

一种改进的蚁群聚类算法在客户细分中的应用

分析了输入参数对算法聚类效果的影响,针对传统的蚁群聚类算法中参数设置依赖于经验的指导以及蚂蚁移动随机性大等问题,提出了一种改进的自适应蚁群聚类算法,算法中引入了自适应策略函数,通过设置相似度阈值,动态调整蚂蚁的运动状态,降低蚂蚁移动的随机性.将改进算法应用于客户细分,并将结果与K均值聚类算法进行了比较,实验结果表明:改进后的算法在迭代次数上更少,算法的收敛速度更快,识别客户的正确率更高.     

蚁群聚类算法在物流网络优化中的应用

为了解决物流配送中的路径优化问题,运用改进的蚁群算法来建立配送车辆路径的数学模型,通过减少蚁群的选路次数、更新信息素等策略,提高了算法的收敛速度和全局搜索能力。经过实验分析和计算,证明了应用蚁群算法可以优化物流配送线路,可以有效地解决多回路运输问题。该成果对物流企业控制成本、增强市场竞争力有一定参考价值。     

基于蚁群聚类的智能优化算法及应用

为了解决数据挖掘问题中离散优化问题,提高全局的优化能力,在研究基本蚁群聚类模型的基础上,通过改进,提出了一种新的蚁群聚类组合算法,将此算法应用于银行信用卡客户的消费行为分析,通过数据测试和性能分析,证明这种算法在解决离散空间问题上表现了良好的性能。该结果对银行制定市场策略上提供了良好的参考价值。     

聚类处理的蚁群算法在旅行商问题中的应用

针对大规模旅行商问题具有区域分布的族类特征,采用最小方差法将城市样本点聚成k个城市群,利用蚁群算法,求出每个城市群内部城市的最短路径及城市群之间的最短路径.提出了一种新的城市群连接方式及标记方法,使得从任一个城市出发,以该方式可对每个城市群的连接城市进行标记,同时,利用循环搜索的方法可得到每个城市群的连接方式,最终得到全局最短路径的一个满意解.最后利用TSPLIB提供的实验数据,对算法的正确性进行了验证.     

一种改进的基于遗传算法的K均值聚类算法

结合遗传算法和K均值聚类算法的优点,提出一种改进的基于遗传算法的K均值聚类算法.将遗传算法的编码方法、初始化、适应度函数、选择、交叉和变异等较好地应用于聚类问题,不仅解决了K均值聚类算法中K值难以确定、对初始值敏感以及遗传算法存在收敛性差和容易早熟的缺点,而且实现了聚类中心的优化选择、K值的自动学习和基因的自适应变异等...     

K-means算法聚类中心选取

传统K-means 算法对于聚类初始点的选取和距离度量的计算异常敏感,因而很可能导致K-means 算法只能收敛得到局部最优解。为此,提出一种改进的K-means 算法,即K-means 聚类算法最优匹配算法,并进行了相关的算法实验分析。该改进算法首先对传统的K-means 聚类算法进行初始点的选取,并分析聚类结果。然后,分别从初始聚类中心的选择和距离算法的确定进行实验测试,引入轮廓系数评价聚类效果,分析实验结果可知,K-means 聚类算法最优匹配算法具有较好的稳定性和较高的聚类准确率。     

数据挖掘算法在入侵检测中的应用

数据挖掘可以从海量数据中发现模型和数据间的关系并做出预测。针对入侵检测系统的特点,将数据挖掘算法应用于入侵检测系统中,并着重研究了聚类算法中的K均值算法和一种改进的K均值算法。     

基于Leader的K均值改进算法

研究了K均值算法中初始聚类中心的选择对算法本身聚类精度及效率的影响,并提出了改进的算法(LK算法,Leader+K-means).LK算法中的初始聚类中心选择不是随机的,而是利用Leader算法得到若干个初始类中心,然后选择包含数据项最多的k个类中心,作为K均值算法的初始类中心.实验结果表明,LK算法在聚类结果的稳定性和正确率方面都是有效可行的.     

基于初始均值点离散化的改进K-means算法

聚类分析是一种重要的数据挖掘方法,K-means算法是其中最常用的基于划分的方法。本文提出了一种基于初始均值点离散化的改进K-means算法。改进的算法在选取初始均值点时,尽量使初始均值点的分布离散化,解决了传统算法中随机选取初始均值点所造成的一些问题。同时,为了得到更高质量的聚类结果,本文进行了数据集中的离群点检测和自动确定参数k的最佳取值两方面的前期处理工作。实验证明,改进后的算法明显优于传统算法。     

基于蝙蝠算法的K均值聚类算法

为解决传统 K-means 算法中因初始聚类中心选择不当而导致聚类结果陷入局部极值的问题, 采用蝙蝠算法搜寻 K-means 算法的初始聚类中心, 并将模拟退火的思想和基于排挤的小生境技术引入到蝙蝠算法中, 以克服原始蝙蝠算法存在后期收敛速度慢、 搜索力不强等问题。 同时, 通过测试函数验证了其有效性。 最后利用改进后的蝙蝠算法优化 K-means 算法的初始聚类中心, 并将该改进的算法与传统的 K-means 算法的聚类结果进行了对比。 实验结果表明, 改进后的算法的聚类性能比传统的 K-means 算法有很大提高。     

K-means初始聚类中心优化算法研究

由于K-means算法对初始中心的依赖性而导致聚类结果可能陷入局部极小,而采用密度函数法的多中心聚类并结合小类合并运算的聚类结果明显优于K-means的聚类结果。该算法的每一次迭代都是倾向于发现超球面簇,尤其对于延伸状的不规则簇具有良好的聚类能力。     

基于K-平均值方法的入侵检测系统

介绍了入侵检测系统,将数据挖掘中的K-平均值聚类方法应用于入侵检测系统,对仿真实验的结果进行了分析,证明了将K-平均值方法用于网络入侵检测的可行性。     

文本聚类算法的比较

聚类是一种重要的数据挖掘形式。介绍了常用的文本聚类算法,从各种聚类算法的适用范围、初始参数的影响、终止条件以及对噪声的敏感性等方面对其进行了分析比较。     

基于改进 K 均值和马尔科夫链的公交车行驶工况构建

目的 为填补目前缺少符合重庆城区地形特点的公交车行驶工况空白。方法 提出一种改进的K均值聚类算法与马尔科夫链结合的行驶工况构建方法。通过滤波算法对采集到的重庆城区805路公交车有效行驶数据进行平滑处理,从平滑后的行驶数据中提取出1 721条运动学片段;采用核主成分分析法对各运动学片段的特征参数矩阵进行降维处理,以粒子群算法选择适合的K均值初始聚类中心,并通过改进后的K均值聚类算法对运动学片段进行分类标记;最后通过马尔科夫链筛选出合理的运动学片段,构建出时长为1 310 s的重庆城区公交车行驶工况。结果 将构建的行驶工况与实车采集数据及国内外部分典型工况进行对比,结果表明：所构建的工况与原始数据在速度-加速度的联合分布趋势一致,构建的行驶工况与实车采集数据各特征值误差均小于7%,所构建的工况与原始数据特征高度吻合且能较好地反映出重庆城区公交车怠速时间比例高、加减速频繁等符合区域特点的实际交通状况。结论 构建的工况能为重庆市公交车行驶路线规划、排放及油耗测试等方面提供基础标准,同时其涉及的研究方法能为新能源汽车能量管理、控制策略及其他城市工况构建和城市公交线路优化提供参考。