核空间二次蚁群聚类算法的研究
kmeans聚类蚁群算法
kmeans聚类蚁群算法K-means聚类蚁群算法蚁群算法是一种模拟蚂蚁行为的启发式优化算法，它通过模拟蚂蚁在寻找食物过程中的行为，来解决各种优化问题。
而K-means聚类算法是一种常用的数据聚类方法，它通过将数据集划分为K个簇，使得同一簇内的数据点相似度较高，不同簇之间的数据点相似度较低。
本文将介绍如何将蚁群算法应用于K-means聚类算法中。
首先，我们需要定义问题的目标函数。
在K-means聚类算法中，目标函数是最小化所有数据点与其所属簇中心的距离之和。
因此，我们可以将问题定义为寻找最优的簇中心位置，使得目标函数最小化。
接下来，我们需要定义蚂蚁的行为规则。
在K-means聚类蚁群算法中，每只蚂蚁代表一个数据点，它会根据当前的簇中心位置选择一个簇进行加入。
选择簇的概率与蚂蚁与簇中心的距离成反比，即距离越近，选择该簇的概率越大。
当所有蚂蚁都选择完簇之后，更新簇中心的位置，将其设置为簇内所有数据点的平均值。
然后，我们需要定义蚂蚁的移动规则。
在K-means聚类蚁群算法中，蚂蚁的移动规则是根据选择的簇中心位置，计算蚂蚁与簇中心的距离，并根据距离选择下一个簇中心。
具体而言，蚂蚁会根据当前的簇中心位置计算与其距离最近的簇中心，并将其设置为下一个簇中心。
最后，我们需要定义蚂蚁的更新规则。
在K-means聚类蚁群算法中，蚂蚁的更新规则是根据选择的簇中心位置，更新蚂蚁所属的簇。
具体而言，蚂蚁会根据当前的簇中心位置计算与其距离最近的簇中心，并将其设置为所属的簇。
通过不断迭代上述步骤，直到满足停止条件，即目标函数不再变化或达到最大迭代次数，我们可以得到最优的簇中心位置，从而完成K-means聚类蚁群算法。
K-means聚类蚁群算法的优点是可以避免陷入局部最优解，因为蚂蚁的移动规则可以帮助蚂蚁跳出局部最优解。
此外，蚁群算法具有较好的鲁棒性和适应性，可以应用于各种不同类型的数据集。
然而，K-means聚类蚁群算法也存在一些缺点。
基于MATLAB的自适应蚁群聚类算法研究与仿真
关键 词 ： 蚁群算法 ； 聚类分析 ； 自适应 ； Ｔ Ａ ＭＡ Ｌ Ｂ
中图分类号 ：Ｐ ８ Ｔ １
文献标 识码 ： Ａ
ＤＯ ： ０３ ６ ￣ｉ ｎ１０ ．９０２ １．７ ３ Ｉ １． ９ ．ｓ．０ ３６ ７ ． ２０ ． ５ ９ ｓ ０ ０
Ｚ ＨＯＵ Ｔ ｎ ｅｇ
（ｏ ｔ— ｅ ｔ ｌ ｎｖ ｒｉ ｆ ｒ ａｉｎ ｌ ｉ ， ｏｌ ｅｏ ｃ ｍ ｕｅ ｉ ｃ， ｈ ｎ ３ ０ ４ Ｃ ｉａ Ｓ ｕｈＣ ｎｒ ｉ ｓ ｙ ｏ ｔ ａ ｉｅ Ｃ ｌ ｇ ｏ ｐ ｔｒ ｃ ｎ ｅ Ｗｕ ａ ０ ７ ， ｈ ） ａＵ ｅ ｔ Ｎ ｏ ｔｓ ｅ ｆ ｓｅ ４ ｎ
ＭＡＴＬ ＡＢ ｓｍｕ ａ ｉｎ ａ ｄ ｅ ｐ ｒ ｅ ｔ ｌ ｅ ｕ ｔ ｈ ｗ ｈ ｔ ｈ ｓ ｆ ｈ ｌ ｏ ｔ ｍ ａ ｅ ｅｔｒｃｕ ｔ ｒ ｇ ｒ ｓ ｌ ， ｉ ｈ ｄ ｍ ｏ ｓｒ ｔ ａ ｉ ｌｔ ｎ ｘ ｅ ｍ ｎ ａ ｓ ｌ ｓ ｏ ｔ ａ ｅｕ ｅ ｏ ｅ ａｇ ｒ ｈ ｃ ｎ ｇ ｔ ｔ ｌ ｓｅ ｎ ｅ ｕ ｔ ｗｈ ｃ ｅ ｎ ｔ ｅｔ ｔ ｏ ｉ ｒ ｓ ｔ ｔ ｉ ｂ ｅ ｉ ｓ ａ ｈ ｔ ｅａ ｇ ｒｔ ｍ ｅ ｓｂ ｅ ｈ ｌ ｏ ｈ ｉ ｆ ａ ｉ ｌ． ｉ ｓ
［ ｙｗｏｄ ］ ｎ ｏｏ ｙ ｌｏｉ ｍ； ｌｓ ｒ ｎｌｓ ； ｄ ｐｉｅＭＡ Ｌ Ｂ Ｋｅ ｒ ｓ ＡБайду номын сангаасｔ ｌｎ ｇ ｒｈ Ｃｕｔ ａｙｉ Ａ ａｔ ； Ｔ Ａ ｃ ａ ｔ ｅａ ｓ ｖ
０ 引 言
蚁群 算法 …最早 是由 Ｍ． ｒ ｏ Ｖ． ｎｉ ｚ Ｄｏｉ ， Ｍａ ｌ ｚ ｏ等人 首先 ｇ ｅ 提 出来的 ， 它是 一种描述 基于蚁 群群体行 为的算法 ， 智能群 是 体 算法 的一个分支 。该算法在 旅行商 问题和其 它优化 问题 中 获得 了一 系列理想的实验结果， 充分体现了该 算法 的可行性 。
2007年高考理科综合试题及参考答案(四川卷)
两层信息素更新策略：
第1层:原有信息素的挥发 ij(t n) (1 ) ij (t ) 第2层:借鉴奖惩蚁群算法思想，在完成每次循环进行信息素挥发后，根据蚂蚁所建 立路径的长短，进行排序，只有前w只建立短路径的蚂蚁被挑选出来进行奖励，其 他 (m-w )只建立路径的蚂蚁进行惩罚。
min ij (0) max
Q ij (0) d ij 0
if i j else
本文算法改进——研究过程(2)
2:路径选择策略的改进
相关文献表明，自然蚂蚁无视觉能力，无法感知距离的远近,在节点选择 时，仅能依靠信息素浓度。为更好的模拟自然蚂蚁,本文改进算法在选择 下一个城市时不再考虑距离因素,仅考虑信息素浓度。同时为有效的提高 优化速度,降低局部最优解停滞的可能性,本文采用伪随机性选择策略,并在 搜索过程中动态地调整确定性选择的概率。即蚂蚁 在 t时刻有城市 i 到城 市 j 的转移概率由下式确定：
1.1蚁群算法概况、发展以及应用
蚁群算法(ant colony optimization, ACO)，又 称蚂蚁算法，是一种用来在图中寻找优化路径的 机率型算法。它由Marco Dorigo于1992年在他的 博士论文中提出，其灵感来源于蚂蚁在寻找食物 过程中发现路径的行为。 该算法还被用于求解Job-Shop调度问题、二 次指派问题以及多维背包问题等，显示了其适用 于组合优化类问题求解的优越特征。
MATLAB仿真
MATLAB是由美国mathworks公司发布的主 要面对科学计算、可视化以及交互式程序设计的 高科技计算环境。它将数值分析、矩阵计算、科 学数据可视化以及非线性动态系统的建模和仿真 等诸多强大功能集成在一个易于使用的视窗环境 中，为科学研究、工程设计以及必须进行有效数 值计算的众多科学领域提供了一种全面的解决方 案，并在很大程度上摆脱了传统非交互式程序设 计语言（如C、Fortran）的编辑模式，代表了当 今国际科学计算软件的先进水平。
蚁群算法
4.蚁群算法应用
信息素更新规则
1.蚁群算法简述 2.蚁群算法原理
最大最小蚂蚁系统
3.蚁群算法改进
4.蚁群算法应用
最大最小蚂蚁系统（MAX-MIN Ant System，MMAS）在基本AS算法的基础 上进行了四项改进： (1)只允许迭代最优蚂蚁（在本次迭代构建出最短路径的蚂蚁），或者至今 最优蚂蚁释放信息素。（迭代最优更新规则和至今最优更新规则在MMAS 中会被交替使用）
p( B) 0.033/(0.033 0.3 0.075) 0.081 p(C ) 0.3 /(0.033 0.3 0.075) 0.74 p( D) 0.075 /(0.033 0.3 0.075) 0.18
用轮盘赌法则选择下城市。假设产生的 随机数q=random(0,1)=0.05，则蚂蚁1将会 选择城市B。 用同样的方法为蚂蚁2和3选择下一访问 城市，假设蚂蚁2选择城市D，蚂蚁3选择城 市A。
蚁群算法
1.蚁群算法简述 2.蚁群算法原理 3.蚁群算法改进 4.蚁群算法应用
1.蚁群算法简述 2.蚁群算法原理
3.蚁群算法改进
4.蚁群算法应用
蚁群算法(ant colony optimization, ACO)，又称蚂蚁 算法，是一种用来在图中寻找优 化路径的机率型算法。 由Marco Dorigo于1992年在他 的博士论文中提出，其灵感来源 于蚂蚁在寻找食物过程中发现路 径的行为
4.蚁群算法应用
例给出用蚁群算法求解一个四城市的TSP 3 1 2 3 5 4 W dij 1 5 2 2 4 2
假设蚂蚁种群的规模m=3,参数a=1，b=2，r=0.5。 解：
满足结束条件？
kmeans聚类蚁群算法
kmeans聚类蚁群算法（原创版）目录一、引言二、K-means 聚类算法概述1.基本原理2.算法流程三、蚁群算法概述1.基本原理2.算法流程四、K-means 聚类算法与蚁群算法的结合1.结合方式2.优势与不足五、应用实例与结果分析六、结论正文一、引言在数据挖掘和机器学习领域，聚类算法是一种重要的方法，它可以将大量的数据进行分类和整理，从而方便后续的分析和处理。
本文将介绍一种常见的聚类算法——K-means 聚类算法，以及一种优化算法——蚁群算法，并探讨它们在实际应用中的结合与应用。
二、K-means 聚类算法概述1.基本原理K-means 聚类算法是一种基于距离的聚类方法，它的目标是将数据分为 K 个簇（cluster），使得每个数据点与其所属簇的中心点（均值）之间的距离最小。
2.算法流程K-means 聚类算法的流程如下：(1) 随机选择 K 个数据点作为初始中心点。
(2) 将剩余的数据点分别归入距离最近的中心点所在的簇。
(3) 更新每个簇的中心点，即计算簇内所有数据点的均值。
(4) 重复步骤 (2) 和 (3)，直到中心点不再发生变化，或者达到预设的最大迭代次数。
三、蚁群算法概述1.基本原理蚁群算法是一种基于自然界蚂蚁觅食行为的优化算法，它通过模拟蚂蚁在寻找食物过程中的信息素更新和路径选择，来解决最优化问题。
2.算法流程蚁群算法的基本流程如下：(1) 初始化信息素和路径。
(2) 蚂蚁随机选择一条路径，并根据路径上的信息素浓度更新信息素。
(3) 蚂蚁根据信息素浓度选择新的路径。
(4) 重复步骤 (2) 和 (3)，直到达到预设的最大迭代次数。
四、K-means 聚类算法与蚁群算法的结合1.结合方式K-means 聚类算法与蚁群算法的结合，主要是将蚁群算法应用于K-means 聚类算法的初始中心点选择和簇划分过程。
具体来说，可以将蚁群算法视为一种启发式方法，用于在初始阶段为 K-means 聚类算法提供较好的中心点候选集，从而提高聚类的准确性和效率。
一种多蚁群聚类组合算法研究及其应用
一种多蚁群聚类组合算法研究及其应用
魏先民
【期刊名称】《计算机应用与软件》
【年(卷),期】2010(027)012
【摘要】首先对一种单蚁群聚类算法作了改进,然后模仿多蚁群的协作性能,将运动速度各异的多个蚁群独立且并行地进行聚类分析,并将其聚类结果组合为超图,然后再用蚁群算法对超图进行二次划分,并得到了4个数据库的测试结果.
【总页数】4页(P205-207,229)
【作者】魏先民
【作者单位】潍坊学院计算机与通信工程学院,山东,潍坊,261061
【正文语种】中文
【相关文献】
1.一种基于蚁群算法的聚类组合方法 [J], 杨燕;靳蕃;Mohamed Kamel
2.一种改进的蚁群聚类组合算法 [J], 曾海群;武坤;乐立利
3.蚁群聚类算法研究及应用 [J], 裴振奎;李华;宋建伟;韩锦峰
4.基于模糊矩阵的蚁群聚类算法研究与应用 [J], 胡耀民;刘伟铭
5.蚁群聚类组合算法在证券行业客户细分中的应用 [J], 邵良杉;王鹤
因版权原因，仅展示原文概要，查看原文内容请购买。
基于蚁群聚类算法的组合算法
（ ） ＝一
收 ６
（ ） ｌ ｇ ｐ （ ｘ ）
（ １ ）
作 者简 介： 温
超（ １ ９ ８ ６ － ） ， 女， 黑龙江大庆人， 在读硕士研究生， 主要从事概 率论 与数理统计方面的研 究．
８ ２
洛阳理工学院学报 （ 自然科学版）
更加接 近 实际 的聚类 问题 。 但是 由于蚁 群 聚类 算法 本 身还 处 于发 展 阶段 ，还 需要 很 多 的验 证工 作 。本 文 提 出 的策 略是 采 用基 于 信 息熵 的Ｌ Ｆ 方法 对数 据样 本进 行 一 次聚 类 ，然 后采 用 基 于信 息素 的Ｋ － ｍｅ ａ ｎ ｓ 方 法对 聚 类 结果 进行 二 次 聚
ＤＯｈ １ ０ ． ３ ９ ６ ９ ／ ｉ ． ｉ ｓ ｓ ｎ ． １ ６ ７ ４ － ５ ０ ４ ３ ． ２ ０ ｌ ３ ． ０ ２ ． ０ １ ７
中图 分类号： ０２ ９
文献标 志码 ： Ａ 文章编 号： １ ６ ７ ４ － ５ ０ ４ ３ ｛ ２ ０ １ ３ ） ０ ２ ． ０ ０ ８ １ － ０ ４
意义的聚类模式。基于信息素的Ｋ — ｍｅ ａ ｎ ｓ 算法的 ｃ 盘 和初始聚类中心是事先给定的，而往往两者的选择可以直接影
响聚类的效果和￣ ＿ Ｊ Ｊ ［ ＿ （ Ｋ － ｍ ｅ ａ ｎ ｓ 算 法的缺点之一） 。因此 ，在基于信 息熵的蚁群 聚类算法的基 础上，结合基 于信 息素 的Ｋ － ｍ ｅ ａ ｎ ｓ 算法 ， 提 出了一种 聚类组合 算法。 关键词 ：蚁群 算法；聚类；改进；组合 算法
１ ． １ 基于蚁堆原理 的蚁群聚类算法——模型 ｌ
以死 蚂蚁 堆积 为 例 ，蚁 堆聚 类现 象 的 基本 机制 是蚁 堆对 工 蚁搬 运死 蚂 蚁 具 有吸 引 。蚁 堆 规 模 的大 小 决 定着对 工蚁 的 吸引 大小 ：蚁 堆 越大 ，越 能吸 引工 蚁将 死 蚂蚁 堆 积到 该 堆 ，使 得 蚁堆 的规 模 越 来越 大 ，
基于蚁群聚类算法的优化与改进
基于巢模板的核空间蚁群聚类算法
基于巢模板的核空间蚁群聚类算法覃华;徐燕子;张敏【摘要】为了改进蚁群算法因大量引入随机机制所引发的不稳定性,引入巢模板来改进聚类规则,提出一种基于巢模板的核空间蚁群聚类算法,并与原空间上的聚类算法进行比对.该算法用支持向量机的非线性映射函数把数据样本映射到核空间,再用巢模板记忆蚁群群体特征.核空间上的巢模板蚁群聚类算法能较好地处理特征复杂、类别多的数据集,其聚类结果比较接近真实情况,并且效果明显优于原空间上的聚类算法.【期刊名称】《广西科学院学报》【年(卷),期】2010(026)004【总页数】4页(P406-408,411)【关键词】蚁群聚类;支持向量机;非线性映射函数;核函数;巢模板【作者】覃华;徐燕子;张敏【作者单位】广西大学计算机与电子信息学院,广西南宁,530004;广西大学计算机与电子信息学院,广西南宁,530004;广西大学计算机与电子信息学院,广西南宁,530004【正文语种】中文【中图分类】TP311Abstract:If the features of data samples’are complex and with more categories,the ant clustering results are not satisfied.After the analysis ofthe main reasons,an idea that maps the data samples to kernel space by SVM′nonlinear mapping function is proposed.The features of data samples are recombined and highlighted in kernel space.The ant clustering algorithm is designed in kernel space and the nest template is been used to improve the stability and accuracy of algorithm.Experimental results on UCI datasets show that the clustering results of nest template ant clustering algorithm in kernel space are closer to the reality.The algorithm can proceed datasets which are complex and with more categories and the result is better than that in original space.Key words:ant clustering,SVM,nonlinear mapping function,kernel function,nest template蚁群聚类算法和传统的 K-means,C-means等聚类算法相比,其主要特色在于它能利用群体智能来对任意的数据进行聚类,不需要事先设定簇的个数以及初始簇的中心,给实际应用带来了很大的方便[1,2]。
蚁群算法详细讲解
1.1.5 蚁群优化算法应用现状 3/5
基于群智能的聚类算法起源于对蚁群蚁卵的分类研究。 Lumer和Faieta将Deneubourg提出将蚁巢分类模型应 用于数据聚类分析。其基本思想是将待聚类数据随机 地散布到一个二维平面内，然后将虚拟蚂蚁分布到这 个空间内，并以随机方式移动，当一只蚂蚁遇到一个 待聚类数据时即将之拾起并继续随机运动，若运动路 径附近的数据与背负的数据相似性高于设置的标准则 将其放置在该位置，然后继续移动，重复上述数据搬 运过程。按照这样的方法可实现对相似数据的聚类。
17
1.1.5 蚁群优化算法应用现状 2/5
蚁群算法在电信路由优化中已取得了一定的应用成果。HP公 司和英国电信公司在90年代中后期都开展了这方面的研究， 设计了蚁群路由算法（Ant Colony Routing, ACR）。 每只蚂蚁就像蚁群优化算法中一样，根据它在网络上的经验 与性能，动态更新路由表项。如果一只蚂蚁因为经过了网络 中堵塞的路由而导致了比较大的延迟，那么就对该表项做较 大的增强。同时根据信息素挥发机制实现系统的信息更新， 从而抛弃过期的路由信息。这样，在当前最优路由出现拥堵 现象时，ACR算法就能迅速的搜寻另一条可替代的最优路径， 从而提高网络的均衡性、负荷量和利用率。目前这方面的应 用研究仍在升温，因为通信网络的分布式信息结构、非稳定 随机动态特性以及网络状态的异步演化与ACO的算法本质和 特性非常相似。
19
1.1.5 蚁群优化算法应用现状 4/5
ACO还在许多经典组合优化问题中获得了成功的应用， 如二次规划问题（QAP）、机器人路径规划、作业流 程规划、图着色（Graph Coloring）等问题。 经过多年的发展，ACO已成为能够有效解决实际二次 规划问题的几种重要算法之一。AS在作业流程计划 （Job-shop Scheduling）问题中的应用实例已经出现， 这说明了AS在此领域的应用潜力。利用MAX-MIN AS解 决PAQ也取得了比较理想的效果，并通过实验中的计 算数据证明采用该方法处理PAQ比较早的SA算法更好， 且与禁忌搜索算法性能相当。利用ACO实现对生产流 程和特料管理的综合优化，并通过与遗传、模拟退火 和禁忌搜索算法的比较证明了ACO的工程应用价值。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
，中为 象 维 ａ 其 ｎ对 的数
将对象 ｘ ，Ｙ通过核函数映射 到核 空间，利用核 的定义便
（ ）核 空间二 次蚁群 聚 类算法 三
Ａ ｌｓｅ ｃ ｕ ｔ ｒ聚类结果得到的簇数量较多， 得不到准确结果， 这样就需要用二次聚类 。将 收集 聚类得到的结果整理 出来 ，
放 到 小 空 间聚 类 ，采 用 马 赛 克 算 法 。
ｄｒ Ｙ ：４ Ｘ， 一 ，） Ｋ（ ，） １ ． ，） Ｋ（ ） Ｋ（ ｙ ＋ Ｙｙ ： （ ２
代 入 高 斯 径 向基 核 函数 ， 可 推 出特 征 空 间 中 的 欧 几 里 德
距离：
ｄ（， ＝ ２ ２ ｐ Ｉ — ｌｃ） ｚ 】 ， — ｅ （ｌ ｒ ／ ） ｘ一 ｘ ｒ
在原欧几里德空间中，数据对象 ｘ和 Ｙ 间的距离 定义 之
为：
算 出最 小距离 ；找出离原点最远 的物体 ｊ 出最大距离：最 ，算
小加上最大两个物体的距离，取一半为 ０。 求 出每个物体的 山（，） Ｘ Ｙ 之后 ，将物体撒在矩 阵上 ，采用
Ａｌｓｅ 法聚类 。 ｃｕ ｔｒ方
（ ） －＝ 而 ＝ ｒ１ ， ｌ ｙ 压
ｄ （ 】 ＝√ ）中（ 一 Ｈ ， ） 中（ ・ ） ， ２ ）中（ ） （） （） ・ ｊ ＋ 】 ・ 】 ， ， ，
（ ）引 言 一
聚 类 （ ｌｓ ｅ ｉ ｇ ｃ ｕ ｔｒ ｎ ）分 析 已经 广 泛 地 用 于 许 多 应 用 领 域 。 １９ 年，Ｄ ｎ ｕ ｏ ｒ ９１ ｅ ｅｂ ｕｇ等人根据蚂蚁堆积尸体的行为提 出了基
可 以推 导在 核空间中的距离 。特征 空间中的欧几 里德距离可
ｄ（， ＝／ （）ｍＹ＝ Ｈ ｙ ｘ ｘ－ （ ｌ Ｘ）— — ） ｌ ￣
上 式 展 开得 ：
马赛 克算法是指将原 ２ ｘ ５的矩阵压缩到 １ ｘ ３矩阵 ， ５２ ３１ 将大矩 阵中划分为 ２ ２一组 ，每组压缩成新矩阵中 ｌ ｌ的格 ｘ ｘ 子，对应地放到新 的小矩阵中。规则如下 ：如果 ２ ２的格子 ｘ
因为 Ｋ Ｘ Ｙ ＝ （）・ ｙ ＞ 所 以将上式直接用核 函数 （，） ＜ Ｘ 由（） ，
表示为 ：
于蚂蚁的聚类基本模型 （Ｍ ，首 次将蚁群 算法应用于聚类分 Ｄ） 析。随后 ，Ｒ ｍ ｓ等人提出了 Ａ Ｌ ＳＥ 算 法。Ａ Ｌ Ｓ Ｅ ａｏ ＣＵＴＲ Ｃ Ｕ Ｔ Ｒ算法 改进 了以往蚂蚁聚类模型 中蚂蚁 的拾起和 放下物体的策略 ， 并且引入 信息素模型指导人工蚂蚁 的移动 ，避 免了算法 中蚂 蚁过多地 在无物体分布区域耗时 的随机搜 索，减 少了时间开 销；引入 了对应于多种任务 的响应 阈值 ，使得 人工蚂蚁在计 算拾起或 放下概率时考虑 了周围 的物体数量 ，更有利 于形成 簇 ；去掉 了人 工蚂 蚁的记忆能力并取消 了不 同速度 的蚂 蚁， 保持 了算法模 型的简单性，并减少 了相应 的计算 时间和存储 空间开销 。这些 改进 有效地改善 了聚类的效果 ，并 能应用 于 文本聚类、图像模式识别 、 ｅ Ｗ ｂ挖掘等任务 。核函数 方法 能将
Ｉ— ） 于０ 同 不 区 物 的 距 ｘｙ 趋 ，样 易 分 体 核
离 根 经 ｏ 的 间 即 ： （ ） 值。据 验，取Ｘ 中 值 ＝（ （ ） 一 ） ＋ 蒌 ，
（， ｊｋ是物体编号 ，ｉ 是属性号 ） 。找出离原点最近 的物体 ｋ ，
（ ）核 空间 两点距 离的计 算方 法 二
２１ ０ １年 第 ２期 （ 第 １ ８期 ） 总 ３
大 众 科 技
ＤＡ ＺＨｏＮＧ ＫＥＪ Ｉ
Ｎｏ ２。 ０ １ ． ２ １
（ ｍｕａｉ ｌ Ｎ ．３ ） Ｃｕ ｌ ｖ ｙ ｏ１ ８ ｔｅ
核 空间二次蚁群聚 类算法 的研 究
黄 旭 ’ 马 凯 ２
（． １ 广西大学计算机 与电子信息 学院，广西 南宁 ５ ０ ０ ；２ 州学院 ，广 西 钦 州 ５ ５０ ） ３ ０４ ． 钦 ３０ ０
ｄ， ｙ 即为每个物体的核距 离值 ， 定了物体在聚类空 ｈＸ，） （ 决
间 的位 置 。程 序 中使 用 该 公 式 。
其 中参数 Ｙ ０的选择 ：（ ）Ｙ选坐标原点，容 易计算 。 、 １ （ ） 、０取实数即大于或等于 ０ 但如 果 ０太大 ， ２ ｘ ， ｘ变化小，
原空 间中的样本 映射到 未知的高维特 征空间 ，从而优化样本
【 摘要 】传统的聚类算法在 处理复杂特征数据时效果不理 想，为此提 出使 用高斯径向基核 函数将原 空１３ 的数据映射到 ． ＂＝ － １ 高维特征 空间后 ， 用蚂蚁算法进行第一次聚类 ， 再 针对第一次聚类结果得 到较 多簇等 问题 ， 出再 用马赛克算法进行 二次聚类 ， 提
得到较为接近真实情况的簇数 目。 【 关键词 】核 函数 ；Ａ ＵＳ Ｅ 蚁群聚类 ；马赛克算 法 ＣＬ Ｔ Ｒ 【 中图分类号 】Ｔ ３ １ Ｐ ０． ６ 【 文献标 识码 】Ａ 【 文章编号】１０ － １１２ １）２ ０ ６－ ２ ０８ １５ （０ １０－ ０ ５ ０
特 征 ， 改 善 学 习性 能 。
ｌ ｙ／ 趋 ｅ（ ｙ ／ ） 于 ， 到 值的 化 ｆ￣ 于Ｏ ｘ一 Ｉ ｏ 趋 得 的 变 — ２２ ｒ ｙ ｐ 一 ｆ ＂ ｚ
和 １ 贴得紧；表达式得到的值就分不开 ，不易区分物体 。如
果 。太 小 ， ｅｐ ｘ（
一
本文针对 高维数据 的特性 ，将核函数方法引入 Ａ Ｌ Ｓ Ｅ ＣＵＴ Ｒ 蚁群聚类算法 ，将数据映射到高维特 征空间进 行聚类，该算 法 有 效 地 把 样 本 投 影 成 一 维 的距 离 数 据 值 ， 易 于 聚 类 。 针 对 ＡＬＳＥ Ｃ ＵＴ Ｒ算法收敛速度慢、形成簇过 多等 问题 ，本文提 出新 的 聚 类 策 略 ， 通 过 使 用 不 同参 数 设 置 的两 次聚 类 对 数据 进 行 聚类 。最后通过 实验 说明，二次快速蚁群聚类算法提 高 了算 法 的时间效率，并且改善了聚类 的效果 。