一种基于遗传和蚁群算法融合的聚类新方法.docVIP

一种基于遗传和蚁群算法融合的聚类新方法 摘要：遗传算法具有快速良好的全局搜索能力，而蚁群聚类算法具有良好的分布式并行性和正反馈能力。将两种算法进行融合，充分利用算法各自的优势和特点，能更有效地进行聚类分析。实验证明这种新组合算法在优化能力和时间性能上比常用的聚类算法有比较明显的优势。 关键词：遗传算法; 蚁群算法; 聚类 中图分类号：TP311 文献标识码：A A New Clustering Algorithm Based on the Combination of Genetic Algorithm and Ant Colony Algorithm Abstract: Genetic algorithm has the ability of doing a global quickly and stochastically. Ant colony clustering algorithm has the ability of distributed parallel processing, and has good feedback capacity. The combination of both the algorithms can make full use of each advantages and character, and make clustering analysis better. Some experiments proved that the new combination algorithm has obvious advantage in optimization capacity and performance time than some common clustering algorithms. Key words: genetic algorithm; ant colony clustering algorithm; clustering; 1 引言 聚类就是将整个数据分成不同的组，并使组与组之间的差距尽可能大，组内数据的差异尽可能小。几种典型的聚类方法包括：划分方法k-平均(k-means)和PAM，层次聚类方法AGNES和DIANA，密度聚类方法DBSCAN等等。 遗传算法(GA)是由美国密执安大学的JohnHoUmd教授于1975年首先提出的一类仿生型优化算法．它是以达尔文的生物进化论“适者生存、优胜劣汰”和孟德尔的遗传变异理论“生物遗传进化主要在染色体上，子代是父代遗传基因在染色体上的有序排列”为基础，模拟生物界进化过程。 蚁群算法(ant colony algorithm）是最新发展的一种模拟蚂蚁群体智能行为的仿生优化算法[1]，由意大利学者Dorigo M于1991年提出。它具有较强的鲁棒性、优良的分布式计算机制、易于与其他方法相结合等优点[2,3]。 基于蚁群算法的聚类方法从原理上可以分为两种：一种是基于蚁堆形成原理来实现数据聚类，另一种是运用蚁群觅食的原理，利用信息素(pheromone)来实现聚类分析[15]。该文采用第一种方法进行聚类分析。最早在这一领域开展工作的是Deneubourg等[6]，他们建立了一种基本模型，根据数据对象与其周围对象的相似性，让蚁群随机地移动、拾起或放下数据对象，以达到聚类数据的目的。Lumer E 和Faieta B将该模型推广到数据分析范畴，提出了LF算法[7]。吴斌等[8]，Ramos等[9],杨燕等[10]从不同角度对LF算法进行了改进，并取得了一定的成效。 Abbattista F等[4]最早提出了将遗传算法(GA)和蚁群算法相融合的改进策略，并在Oliver30TSP和Eilon50TSP的仿真实验中得到了较好的结果；随后，人们将蚁群算法与GA相融合来解决离散域和连续域中的多种优化问题，并取得了较好的应用效果。丁建立等[11]将遗传算法和蚂蚁算法的融合应用于解决组合爆炸及NP类问题，无论在优化性能还是时间性能都取得了非常好的效果。本文算法旨在聚类分析，是将遗传算法和蚁群聚类算法融合，利用遗传算法快速随机的群体性全局搜索能力生成数据对象的初始聚类中心，再通过蚁群算法的并行性、正反馈、求精解效率高的特点完善聚类结构。 本文组织如下：第2节着重说明遗传算法与蚁群聚类算法的融合，包括基本原理，遗传算法和蚁群聚类算法分析，整体算法描述；第3节是实验结果的对比分析，将本算法的实验结果与标准蚁群聚类算法和模糊蚁群聚类算法[14]进行比较分析；最后是结论。 2 遗传算法与蚁群聚类算法的融合(GA2C2A) 2．1 GA2C2A算法的基本原理和设计思想 遗传算法具有大范围的快速全局搜索能力，但当求解到一定程度时，往往作大量的冗余迭代，对于系统中