聚类分析作为数据挖掘中一个重要的研究内容,已被广泛应用到模式识别、数据分析、图像处理等诸多领域。蚁群算法作为一种新兴的智能仿生算法,因其固有的并行性、健壮性和自组织性在聚类分析中显示出很好的应用前景。本文对蚁群聚类算法进行了较为深入地研究与分析,提出了相应的改进算法,并通过仿真实验验证了改进算法的有效性。本文主要包含以下几个方面的内容:1.聚类分析概述。主要介绍了聚类分析的定义、数据对象间的相似度度量方法、聚类挖掘的常见方法及聚类结果的评价标准。2.蚁群算法概述。介绍了蚁群算法的数学模型,着重分析了基于蚂蚁觅食原理和基于蚁堆形成原理的蚁群算法各自的优缺点,为算法的进一步改进指明了方向。3.蚁群算法与改进遗传算法相融合。提出一种伪并行、种群动态调整和最优解保存策略相结合的改进遗传算法,设计了适合于蚁群聚类的适应度函数及遗传算子。并将基于蚂蚁觅食原理的蚁群算法与改进遗传算法相融合,利用遗传算法确定蚁群算法的最优参数及初始信息素分布,利用蚁群算法求得最终聚类结果。最后通过仿真实验验证了文中算法的有效性。4.提高性能的蚁群聚类算法研究。分别从二维网格,短期记忆,蚂蚁捡起、放置对象策略,参数的自适应调整策略和离散对象处理策略等方面对现有的基于蚁堆形成原理的蚁群算法进行了改进。最后通过仿真实验验证了文中算法的有效性。