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.     

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.     

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。     

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。     

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.     

基于改进蚁群聚类的入侵检测算法

针对蚁群聚类算法存在容易出现停滞现象和过早地收敛于局部最优解的问题,提出一种改进的蚁群聚类入侵检测算法.通过改进蚂蚁搜索解的方法,来改善蚁群算法易于过早地收敛于非最优解的缺陷.使用KDD99作为入侵检测数据集进行仿真实验,结果表明,改进的蚁群聚类算法能有效提高入侵检测的检测率和降低误检率.     

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。     

基于图分割的蚁群聚类算法

提出了采用两种策略更新信息素来控制蚂蚁行进路径的方法.根据信息素的浓度确定图边的权值,运用了图分割算法断裂所得图的边,从而达到对数据进行聚类的目的.实验结果证明算法是有效的.     

基于PR算法的自适应ACO算法求解旅行商问题

以著名的旅行商问题为研究对象,研究了基于线路重连(PR)算法的自适应蚁群算法(ACO)的应用。根据蚁群算法构解过程中的选择策略与信息素更新机制,提出了自适应的蚁群优化方法,即通过阈值接收算法(TA)中的阈值控制参数改变蚁群的确定选择与随机选择机会,从而控制了搜索方向。采用这种自适应的蚁群优化算法,避免蚁群算法陷入局部最优,使对解空间的更好地进行搜索。同时,在蚁群优化算法(ACO)中,嵌入路径重连算法(PR)来改进解的质量。实验结果证明了基于线路重连算法(PR)的自适应蚁群算法(ACO)在求解该问题时的有效性。     

基于灰关联分析的加权自适应谱聚类算法

为了降低谱聚类采用高斯函数作为相似性度量方式对参数的敏感性,以及能够发现多密度簇的同时降低噪声点的干扰,提出了一种将基于均衡接近度的灰关联分析结合到谱聚类中的新方法,采用加权的自适应相似性度量方式。最后用改进的FCM算法对其进行聚类。在真实数据集和人工数据集上分别对提出的算法和现有算法进行了比较分析。研究结果表明,提出的新算法能够消除参数的影响,具有更高的聚类精度。聚类精度采用F测度指标。     

一种基于聚类分析的小生境微粒群优化算法

为了寻找多峰函数的多个极值点,在标准微粒群优化算法的基础上,提出一种基于聚类分析的小生境微粒群优化算法.采用基于密度的聚类分析方法辨识和构造小生境微粒子群,通过这种多子群方法,可以保持种群多样性,直接搜索到所有的局部/全局最优点.实验测试结果表明,该算法对一元函数优化和多元函数优化都有很好的效果.图6,参10.     

基于协作反馈的蚁群算法的自适应网站研究

提出了一种基于蚁群算法的关联网页推荐方式,针对蚁群算法中固有的缺陷以及它在自适应网站应用中所出现的问题进行相应的模型改进.引入了选择权值自适应,反馈机制和多智能体协作的思想,解决了收敛速度和停滞现象的矛盾平衡问题,实现了动态调整系统推荐和不同访问用户之间的交互,并根据用户日志进行了访问倾向性推荐.     

一种基于监工机制的改进蚁群算法

针对基本蚁群算法存在收敛速度慢、易陷入局部最优解等问题,受监工机制的启发,提出了监工蚁群算法,以监工距离作为评价标准,自适应地选择优良的蚂蚁更新信息素,提高了每次迭代中解的质量,指导之后的蚂蚁进行更好的学习。该算法选用优化的全局更新策略,使得信息素在进化前期增加较多,在后期增加较少;同时,自适应地将信息素的值限定在一定范围内,防止某条路径被选择的概率过大或者过小。该算法还添加了发散和收敛机制,当算法陷入局部最优解时,增加探索的概率,有助于跳出局部最优解。仿真结果表明,监工蚁群算法具有较高的全局寻优能力,减少了迭代次数,增强了算法的稳定性。     

改进粒子群算法和蚁群算法混合应用于文本聚类

首先对粒子群算法中的惯性因子和加速系数进行调整,利用其有效的全局搜索特性对数据进行粗聚类;然后使用蚁群聚类算法进行下一步聚类,得到了较好的聚类效果。     

基于ACO和AODV的Ad Hoc网络低时延路由算法

针对Ad Hoc网络中按需路由AODV算法具有较大时延和低能节点死亡,而需频繁路由发现的问题,提出了使用ACO优化AODV的低时延路由算法。首先,加入信息素、节点剩余能量和路径时延,对节点路由表进行改进。通过前向蚂蚁和后向蚂蚁进行路由发现。设计了伪随机分配法选择下一跳节点。在蚂蚁行进的过程中进行局部信息素更新。当前向蚂蚁到达信宿节点时对全局信息素进行更新。同时选择总时延较小的路径分配后向蚂蚁并作为最终路由。仿真实验证明能正确地进行路由发现和路由维护,且与AODV和DSR方法相比,具有较高的数据投递正确率和较小的平均端到端延迟。     

一种基于蚁群算法的多平台ESM信息数据融合方法

随着雷达技术的日益发展,单舰雷达侦查系统已经不能满足复杂电磁环境的需求.为了克服传统的单舰雷达侦察系统的不足,文章采用多舰协同侦察的思想,首先共享其他平台侦察的ESM信息,然后采用蚁群聚类算法对ESM信息进行相关处理,并对相关的雷达辐射源信号特征进行信息融合,从雷达辐射源知识库中找出要协同识别的雷达型号.