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.     

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.     

基于蚁群算法的模糊C均值聚类

基于蚁t群算法的FCM聚类算法,利用蚁群算法能够得到局部极值的能力,对初始化非常敏感的初始值聚类教和模糊中心点处理.并对基本蚁群算法模型稍加修改,将其应用于模糊聚粪问题.     

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。     

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。     

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。     

基于遗传和蚁群算法融合的聚类新方法

遗传算法具有快速良好的全局搜索能力,而蚁群聚类算法具有良好的分布式并行性和正反馈能力。将两种算法进行融合,充分利用算法各自的优势和特点,能更有效地进行聚类分析。实验证明这种新组合算法在优化能力和时间性能上比常用的聚类算法有比较明显的优势。     

改进的基于层次聚类的模糊聚类算法

针对FCM算法的缺陷,文章提出了一种基于层次聚类的模糊聚类算法(HFCM)。该算法采用凝聚的层次聚类方法,可快速地发现高度聚集的数据区域,并对这些高密度区域进一步进行分析与合并,通过评估函数的评估,找到最优的聚类方案。试验结果表明,该算法具有较高的分类精确度和较高的排除噪声的能力。     

基于聚类蚁群算法的虚拟机资源分配算法研究

深入分析云计算环境下虚拟机资源调度分配的调度结构及与之对应的调度策略和算法后,结合云计算资源分配的最新研究成果和发展趋势,研究出一种基于聚类算法和蚁群算法的虚拟机资源分配算法.该算法基于Map/Reduce框架提出,着眼于如何为众多不同的用户任务分配虚拟机节点,充分考虑云计算环境中物理机的地域差异.在一个物理机区域内寻找分配虚拟机资源时引入蚁群算法,能更好地确保用户任务的按时完成,任务执行时间跨度方面满足服务等级协议(SLA).     

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。     

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。     

基于蚁群算法的多字符聚类识别

本文采用蚁群算法对聚类数目已知的多字符进行聚类识别,在分析了基本蚁群算法的基础上,提出了一种改进的蚁群算法,该算法结合分布式计算、正反馈机制、贪婪式搜索算法等.对每只蚂蚁构造一个可行解,利用信息素矩阵,经过若干次的选代,找寻包含最优解的蚂蚁.通过与K-means和遗传算法比较,最后得出结论,该蚁群算法识别效果好,执行效率高.     

基于蚁群聚类算法的模糊神经网络

提出了一种基于蚁群聚类的模糊神经网络算法,神经网络采用RBF网络结点结构,聚类采用二级结构蚁群聚类算法作为一级聚类而模糊C-均值聚类(FCM)用于二级聚类。将上述聚类方法用于模糊神经网络构建中,仿真结果表明具有并行实时性、聚类能力强的特点。     

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.     

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.     

基于改进蚁群算法的神经网络入侵检测方法研究

提出一种改进的蚁群算法并与传统的BP神经网络相结合用于入侵检测,它既克服了BP传统神经网络的权值确定难度较大、收敛速度慢易陷入局部最小等缺陷,也通过BP神经网络的梯度信息弥补了单独使用蚁群算法所面临的不足.仿真实验结果表明,与传统方法相比,本方法步骤简化,速度及测试精度明显提高.     

一种改进的聚类算法在入侵检测中的应用

为了研究聚类算法在入侵检测中的应用,该文讨论了传统的k-means算法,指出其存在的问题;将遗传算法引入到聚类算法中,提出了一种改进的k-means算法。实验证明,用该算法实现的数据聚类与传统的k-means算法相比较,能有效提高数据聚类效果。     

基于蚁群算法的模糊C-均值聚类算法

提出了一种基于蚁群算法（ACG）的模糊动态C-均值聚类算法的声纹识别，该算法首先利用蚁群算法的较强处理局部极值的能力，克服了算法在选取聚类中心点时采用随机选取易使得迭代过程陷入局部最优解的缺点，动态地确定了聚类中心和数目.两者有机结合起来可以寻求到具有全局分布特性的最优聚类.将此算法运用于声纹识别上，从语音信号中提取待识别的特征矢量集，对待识别声纹信号进行识别.实验证明，该算法解决了算法对初始值敏感，易陷入局部最优的问题，且计算简单，识别率较高，具有较好的鲁棒性.     

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.