论文部分内容阅读
随着数据挖掘研究的不断深入，群体智能越来越受到研究人员的关注，作为其重要分支的蚁群聚类算法备受学者们的青睐。蚁群聚类算法是受蚂蚁群体行为启发而设计的智能仿生算法，具有群体智能的分布式、鲁棒性、易扩展性、简单性、广泛的适应性等特点。
本文主要研究蚁群聚类模型，分析总结了目前常见的蚁群聚类算法的基本原理、优缺点，重点分析了最有优势的基于蚁堆形成的蚁群聚类算法(ACLUSTER)。虽然ACLUSTER算法取得了较好的效果，但还存在处理不同类型数据性能差异较大，参数设定困难，执行时间过长等问题。本文针对ACLUSTER的这些不足进行了改进。
针对ACLUSTER算法在处理序列数据时，所使用的相似度丢失过多序列信息的不足，将序列相似度度量方法与ACLUSTER算法结合，提出了基于序列相似性的蚁群聚类算法(SeqAntCluster)。序列相似度度量方法综合考虑了序列数据的集合相似性与顺序相似性，能保留更多的序列特征，使人工蚂蚁能更好地分辨序列数据之间的差异，获得更好的聚类结果。实验表明，该方法能有效提高蚁群聚类算法处理序列数据的能力。
针对高维数据的稀疏性、维数灾难等问题，把核函数方法引入蚁群聚类算法，将数据映射到高维特征空间进行聚类，提出了核函数优化的蚁群聚类算法(KemelAntCluster,KAC)。由于核函数能将微小的样本特征放大与优化，可以提高人工蚂蚁对数据差异的感知能力，提高对不同类数据的分辨能力，从而改善聚类效果。实验表明，该方法在改善高维数据的聚类效果的同时也加快了算法的收敛速度。
针对ACLUSTER算法存在的收敛速度慢、运行时间过长、形成簇数量过多等缺点，提出了二次快速蚁群聚类算法(DoubleQuickAntCluster,DQAC)。采用新的二次聚类策略，通过使用不同参数的两次聚类过程对数据进行聚类，使人工蚂蚁在较短时间内堆积较多的较小的簇，然后再把这些小的簇，放在较小的空间里进行第二次聚类。由于在小空间聚类可以减小迭代的规模，减少人工蚂蚁和聚类数据对象的个数，从而减少运行时间。实验证明，二次快速蚁群聚类算法不但提高了算法的时间效率，而且还改善了聚类的效果。