蚁群聚类算法的研究及应用

发布时间：2023-02-13 10:30

　　在21世纪的信息时代,各种媒介涌现大量的数据。通常情况下,人们难以直接获取隐藏在这些数据背后的潜在信息,因此,需要更加有效的方法挖掘这些数据的价值。聚类分析是一种重要的数据挖掘方法,它涉及经济学、人工智能、图像识别以及生物工程等许多领域,成为当下研究热点之一。蚁群聚类算法(Ant Colony Clustering Algorithm,ACCA)是一种仿生智能聚类算法,与传统聚类方法相比,该算法具有蚁群优良的分布并行计算性、正反馈、自组织性等特点,但同时也存在以下缺陷:该算法搜索初期收敛速度较慢,使得算法运行所需时间加长;蚂蚁的转移以信息素的多少为依据,算法后期易于陷入局部最优;信息素更新缺乏时效性;聚类质量不理想等。本文主要针对ACCA算法的上述不足之处提出两种改进。针对ACCA算法前期收敛速度较慢,后期易于陷入局部最优的问题,提出一种局部改进的K均值蚁群聚类算法。首先使用K-means算法预处理数据集,快速得到距离矩阵,将得到的距离矩阵作为蚁群聚类算法初始化信息素矩阵的依据;其次在每只蚂蚁迭代过程中,对其得到的聚类中心引入随机扰动变量,生成若干个局部搜索元作为新的聚类中心,然后对数...

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 选题的背景及意义
    1.2 国内外研究进展
        1.2.1 蚁群算法的研究进展
        1.2.2 蚁群聚类算法的研究进展
    1.3 论文主要内容及框架
2 相关知识简介
    2.1 数据挖掘技术简介
        2.1.1 数据挖掘定义及过程
        2.1.2 常用的数据挖掘方法
    2.2 聚类分析知识简介
        2.2.1 聚类概念及聚类过程
        2.2.2 数据规范化
        2.2.3 相似性及其度量
        2.2.4 常用的聚类算法
        2.2.5 聚类的有效性指标
    2.3 小结
3 蚁群聚类算法
    3.1 蚁群算法概述
    3.2 基于蚁群觅食行为的聚类算法
        3.2.1 ACCA算法的基本原理
        3.2.2 ACCA算法步骤及流程图
        3.2.3 ACCA算法性能分析
    3.3 小结
4 一种局部改进的K均值蚁群聚类算法
    4.1 K均值与ACCA算法结合
    4.2 一种局部改进的K均值蚁群聚类算法
        4.2.1 改进思想
        4.2.2 算法实现步骤
    4.3 算法仿真实验
        4.3.1 数据集简介
        4.3.2 仿真实验
    4.4 小结
5 两阶段蚁群聚类算法
    5.1 改进思想
    5.2 算法步骤及流程图
    5.3 算法仿真实验
    5.4 小结
6 改进算法的应用
    6.1 改进算法在图像处理中的应用
        6.1.1 图像分割的定义
        6.1.2 基于改进聚类算法的图像分割步骤
        6.1.3 图像仿真实验
    6.2 改进算法在各省份经济实力划分中的应用
        6.2.1 背景介绍
        6.2.2 中国各省份经济实力划分指标的选取与数据处理
        6.2.3 实验结果
        6.2.4 实际意义
    6.3 小结
结论
致谢
参考文献
附录A 各省份据各项指标单独排序结果
攻读学位期间的研究成果



本文编号：3741865