群体智能以分布性、简单性、灵活性和鲁棒性得到了越来越广泛的关注。蚁群聚类算法是数据挖掘算法的一种,它起源于科学家对群体性昆虫的观察和研究。Lumer和Faieta将Deneubourg提出的基本模型成功地推广应用到聚类分析。LF算法仍然存在一些局限性,它的算法机制无法将偶然堆叠在一起的簇分开,造成了聚类结果往往纯度不高,严重影响了查准率。为了克服LF算法的缺点,通过结合模糊聚类算法,提出了一种改进的蚁群聚类算法。该算法回溯到Deneubourg的基本模型,通过引入相似因子、相异因子的概念,改变观察分数f的计算方法,进而达到影响拾起放下概率的目的。相似因子大小由邻域内选定对象所属的等价分类的大小决定,相异因子大小由邻域内与不包含该对象的一个最大的等价分类的大小决定。在这种方法下,蚂蚁具备从感官上初步划分存在于邻域内的数据对象的能力,以此作为进行下一步决策的依据。在这种方法下,即便在邻域内,形成了两个不同的聚类核,随着聚集速度的不平衡,其中一个略有优势的聚类核会排斥掉另一个聚类核,从而避免了不同簇堆叠的情况。设计出一个基于蚁群聚类算法的数据挖掘系统,该系统具备预处理、变换、数据开采的功能。该系统能够展示可视化的聚类过程。在数据经过预处理、变换之后,得到了规一化的三维属性数据,软件显示界面上的数据对象通过颜色值来标定其三维属性,使聚类过程和效果一目了然。根据该系统的仿真实验,在查准率、查全率和F-measure评估标准下,改进算法比LF算法显示出更好的聚类质量。