一种新型的自适应蚁群聚类算法

提出了一种新型的自适应蚂蚁聚类算法.该算法将每个待聚类模式看作一只蚂蚁,采用蚂蚁移动模型实现模式的聚类.为了改善蚂蚁移动的随机性,提高运行效率,提出了一种局部最近邻运动原则来指导蚂蚁的移动;并且提出了一种自适应调整蚂蚁移动阈值的方法以简化参数的选取.通过数据的聚类对该算法和已有算法进行了比较.结果表明,该算法具有运行效率高、参数选取简单及自适应性等优点.     

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.     

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.     

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。     

蚁群聚类组合算法的研究

聚类分析作为数据挖掘中一个重要的组成部分,主要用于在潜在的数据中发现有价值的数据分布和数据模式。在研究基本蚁群聚类模型、信息熵以及LF算法和K-means算法的基础上,提出了一种蚁群聚类组合算法策略。     

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。     

一种基于流形的蚁群聚类算法

在介绍了基于信息熵的蚁群聚类算法以及流形学习的方法的基础上,将基于动态切空间排列的流形学习方法与该蚁群聚类算法相结合,给出了一种聚类算法的新思路,并在城市规划布局问题中做了仿真实验,提高了算法的收敛速度。     

一种新的K-Means蚁群聚类算法

针对蚁群聚类算法聚类质量不高的原因,使用K-Means算法改进蚁群聚类规则,提出一种新的K-Means蚁群聚类算法(KM-AntClust),并通过实验验证新算法的聚类效果.实验结果表明,新的算法可以明显提高聚类质量.     

一种改进的蚁群算法

传统的蚁群算法存在难以确定计算参数,求解大规模问题时不易收敛的问题.本文针对该问题对蚁群算法进行改进,结合专家系统和遗传算法来自动确定系统参数,并采用分而治之的策略对大规模问题进行分解.仿真实验表明,该策略提高了问题求解的效率.     

基于蚁群聚类算法的文本模糊聚类方法

针对模糊C-均值本文提出将基于蚁群算法的模糊聚类算法应用于文本聚类中,聚类采用二级结构,蚁群算法(ACA)作为一级结构,模糊C-均值聚类FCM用于二级结构。将此算法对文本集合进行聚类实验,并用分离系数、分离熵来判断模糊划分的效果,实验结果表明,与FCM相比,该算法具有较好的聚类效果。     

一种基于CVRP的改进蚁群算法

针对有容量约束的车辆路径优化问题（Capacity Vehicle Routing Problem,CVRP）的特点,提出了一种改进的蚁群算法。算法中,首先让蚂蚁找到需求量满足要求的客户点集,再在选定的客户集中以选择概率选择客户点,改变了基本蚁群算法的信息素更新规则,限定了路线上信息素的浓度,调整了蚂蚁的选择概率,动态改变了算法主要参数等,从而优化了其搜索解的能力和收敛速度,实例仿真证明了改进的蚁群算法对小规模CVRP的解决是有效的。     

一种基于信息素扩散的蚁群聚类算法

作为数据挖掘技术的重要组成部分,聚类分析在很多领域有着广泛的应用.蚁群算法由于采用分布式并行处理和正反馈机制,具有较好的全局收敛性,并且在解决多种NP难问题中取得了成功.将信息素扩散模型引入到蚁群聚类算法中,通过设计新的信息素更新机制,提出一种新的基于信息素扩散的蚁群聚类算法.实验结果表明新算法在聚类效果上比基本的蚁群聚类算法有较明显的改善.     

基于改进蚁群算法对 VRP 线路优化

针对基本蚁群算法存在易陷入局部最优解、 收敛速度慢等缺点, 先引入节约矩阵 U 作为先验信息引导蚂 蚁搜索, 然后通过不同搜索时段采用不同的信息素挥发因子, 使算法更好地在“探索冶和“利用冶之间达到平衡, 并对较优解应用 2-opt 方法进行优化。 最后将改进后的蚁群算法应用到物流配送车辆路径优化问题中。 实验结 果表明, 相比基本蚁群算法, 改进的算法可得到更好的物流配送路径, 是解决物流配送路径优化问题的一种有 效方法, 可快速、 高效地对送货车辆线路进行调整, 满足消费者的需求。     

一种基于序列相似性的蚁群聚类算法SeqAntCluster

将序列数据的相似度度量方法S3M引入蚁群聚类算法中,提出一种基于序列相似性的蚁群聚类算法。该算法既继承了蚁群聚类算法原有的优点,又能有效地对序列数据聚类,更适合处理序列数据。     

求解最短路径路由蚁群算法的改进

针对标准蚁群算法易于出现早熟停滞等缺陷,在原有算法基础上引入一定比例的侦查蚁群.在优化过程中侦查蚁群以一定概率做侦查搜索,以扩大解的搜索空间;在信息素更新策略上,为了兼顾当代和历代的搜索成果,采取了信息素混合更新策略,同时增强侦查子群的最佳路径信息及剩余全部蚁群路径信息,有效抑制了收敛过程中的早熟停滞现象,提高了算法收敛速度.通过对最短路径路由算法的仿真实验,并与标准蚁群算法进行性能比较,结果表明该算法不仅能够克服早熟现象,而且能够加快收敛速度.     

基于改进蚁群算法的TSP问题研究

由于基本蚁群系统算法没有考虑节点位置,对所有的解采用相同信息素蒸发准则,使算法收敛速度慢,易于停滞,且易收敛于局部最优,为了克服这一缺点,提出了基于距离导引函数构建解,同时采用分级蒸发参数控制蒸发信息素,对蚁群系统算法进行改进,通过仿真实验得到本文算法比基本蚁群系统算法更好的解,且解的性能更好.