一种新的混合蚁群聚类算法.pdf

第 34 卷 　第 3 期 西 南 师 范 大 学 学 报 ( 自然科学版) 2009 年 6 月 Vol 34 　No 3 　　Journal of Southwest China Normal Univer sity (Natural Science Edition) J un 2009 ( ) 文章编号 :1000547 1 2009 一种新的混合蚁群聚类算法① 王 　智 , 　张自力 西南大学 智能软件与软件工程重点实验室 , 重庆 4007 15 摘要 : 针对蚁群聚类算法存在收敛速度慢 、易陷入局部最优等缺陷 , 通过在蚁群聚类算法的每次迭代过程中引入 遗传算法 , 提出一种混合蚁群聚类算法. 它利用遗传算法全局快速收敛的特性 , 提升了蚁群聚类算法的收敛速 度 , 同时 , 遗传算法中的交叉 、变异操作扩大了解空间的搜索 , 帮助蚁群算法跳出局部最优. 仿真试验验证了算 法的性能. 关 　键 　词 : 聚类分析 ; 蚁群算法 ; 遗传算法 中图分类号 : TP181 ; TP311 文献标识码 : A 聚类分析是将一组对象分成若干个群体, 每个群体构成一个簇, 使得簇内的对象尽可能具有最大的相 似性, 不同簇之间的对象具有尽可能大的相异性. 聚类分析被广泛地用于数据挖掘 、机器学习、生物信息 处理和统计学等领域[ 1] . 由于聚类的重要性, 大量的聚类算法被提出. 近年来, 禁忌搜索[ 2] 、遗传算法[ 3] 和 [ 4] [ 5] 模拟退火 在聚类中取得成功的应用. 基于蚁群优化的聚类算法在2004 年首次被 Shelo kar 等人提出 . 算 法首先利用信息素引导蚂蚁构造解, 然后利用局部搜索技术改善解的质量, 如此重复最终得到较优的解. 该方法能够解决众多的聚类问题并优于其它的启发式算法, 但它存在过早地陷入局部最优和计算时间过长 等缺陷. 随后, Kao 等人[ 6] 通过引入启发式信息, 试图提升算法的求解质量. 本文针对蚁群聚类算法存在的收敛速度慢 、极易陷入局部最优解等缺陷, 在文献[ 5] 的基础上通过将 遗传算法融入到蚁群聚类算法的每次迭代过程中, 提出了基于蚁群和遗传算法的混合聚类算法. 它以蚁群 聚类算法的每一代形成的解作为遗传算法的初始种群,