论文部分内容阅读
近年来自然计算已经是计算机科学的一个重要且具有巨大发展前景的分支。早期有遗传算法,免疫算法,神经网络等自然计算方法,而从上世纪九十年代以来又产生了蚁群算法,量子计算,DNA计算,膜计算等一些具有重大前景的自然计算方法。蚁群算法是根据蚂蚁群落的种种行为而提出来的。蚁群算法具有系统协作,分布式运作,全局收敛等特点。依据所参照的蚁群行为的不同,蚁群算法在寻优方面有基于蚂蚁觅食行为的蚁群优化算法;在聚类分析方面有基于蚁穴清理行为的蚁群聚类算法等。目前,蚁群优化算法已从单纯的组合优化问题求解拓展到了网络路由,机器人路径规划,图象处理等领域;蚁群聚类算法也应用于数据挖掘,数据分析,图的着色问题等领域。将蚁群算法应用于数据挖掘领域中的数据分类和聚类是近年来的研究热点,但相关的研究成果并不多。本论文旨在对蚁群算法进行详细分析的基础上,通过调节蚁群行为的作用机制使蚁群算法能够更好的运用于数据挖掘。本文的主要研究工作及获得的结论包括:①.对蚁群算法的发展历程以及当前的研究现状进行了系统的阐述②.以TSP为例,详细分析了蚁群算法的参数设置;在大量数值实验的基础上,获得了蚁群算法参数间的关系;分析并给出了算法参数组合与算法效率、算法性能间的关系;为蚁群算法的参数优化配置提供了一种方法。③.详细分析了Ant-Miner算法的特性,针对数据分类规则挖掘提出了对Ant-Miner改进的策略。包括:引入了两步走策略,扩大了蚁群的搜索空间;改进了信息素更新机制,提高了算法效率和性能。④.分别根据蚁穴清理和蚁群觅食行为提出了不同的数据聚类算法。本文对蚁群算法参数的分析研究有助于对蚁群算法更深入的理论与实验分析;对蚁群算法中参数组合的研究有助于获得性能与效率更高的蚁群算法;对Ant-Miner算法的分析研究及改进有助于获得更好的数据分类算法。