随着信息科学的飞速发展,获取和存储海量数据已不是什么难事,但面临如此海量数据,若不加分析和处理,它们可能没有任何意义。因此,“数据爆炸与知识贫乏”的局面促使了数据挖掘领域的飞速发展。聚类分析是数据挖掘中的一个重要分支,也是国内外学者研究的热点。群体智能作为一个新兴领域,自从20世纪80年代出现以来,也引起了多个学科领域研究人员的关注。其中的典型算法——蚁群聚类算法,也为聚类分析提供了一个良好的算法。 本文首先回顾了聚类分析的概念、分类和方法;然后介绍了模糊集的相关概念以及模糊聚类算法;其次研究了群体智能研究现状及典型算法,包括蚁群算法、蚁群聚类算法和微粒群优化算法的主要思想、描述和分析;最后重点对蚁群聚类算法进行了研究,并发现基本模型和LF算法存在一些缺陷,会导致不相似的数据对象本该被拾起而可能未被拾起,相似的数据对象本该被放下而可能未被放下的情况,从而影响聚类的效果。针对这一缺陷,并注意到“相似”本身是一个模糊概念,本文提出用模糊集理论相关知识来解决:首先定义了平均距离,其次基于平均距离定义了“相似”这一模糊子集的隶属度函数,最终数据对象的拾起或放下由隶属度与置信水平λ相比较来决定。最后,改进算法通过编程实现,通过测试证明了改进算法的优越性。 总的来说,改进算法具有如下优点:首先减少了LF算法中的参数数量,而且新参数λ的含义更加直观。其次,由于每次循环中不用计算拾起概率与放下概率,因此减少了计算量,也更接近于智能生物的思维过程。最后,改进算法对选取相似性参数α的敏感程度有所降低。