基于信息熵的蚁群聚类算法的改进-read.pdfVIP

第 19 卷 　第 4 期 沈 　阳　化 　工 　学 　院　学 　报 Vol. 19 　No. 4 2005. 12 JOURNAL OF SHEN YAN G INSTITU TE OF CHEMICAL TECHNOLO GY Dec. 2005 ( ) 文章编号 : 　1004 - 4639 2005 04 - 0296 - 05 基于信息熵的蚁群聚类算法的改进 1 1 1 2 赵伟丽 , 　孙艳蕊 , 　张志国 , 　李金娜 ( 1. 东北大学理学院 , 辽宁 沈阳 110004 ; 　2 沈阳化工学院 , 辽宁 沈阳 110142) 摘 　要 : 　聚类分析是数据挖掘领域中的一个重要研究课题. 在 L F 算法的基础上 ,利用信息熵减 少参数设置 ,并通过半径递增 、短期记忆 、强行放下 、合并聚类等策略 ,提高聚类性能. 仿真实验表 明:新算法能取得较好的聚类结果 ,对于处理混合属性数据集尤其是类属性数据集聚类问题相当 有效. 关键词 : 　聚类分析 ; 　蚁群算法 ; 　信息熵 ; 　类属性 中图分类号 : 　TP391 　　　文献标识码 : 　A 　　聚类分析是数据挖掘领域中的一个重要研 结果不理想等缺陷 ,本文在此基础上进行改进 , 究课题 ,它是根据数据间的相似程度 自动地进行 通过半径递增 、短期记忆等策略 ,提高聚类性能. 分类 ,使得类间的相似性尽量小 ,而类内的相似 性尽量大. 经典的聚类方法包括分层算法 、划分 1 　基于信息熵的蚁群聚类算法 ( EAC) 算法如 K均值法 、模糊 C均值算法 、图论聚类 假设 x 是一个随机变量, X 是其可能的取 法 、神经网络法以及基于统计的方法等. 近来随 ( ) ( ) 值集合 连续型数据需离散化 , p x 是取 x 的 着数据挖掘研究的深入 ,涌现了大量新的聚类算 [ 6] 可能性函数, 信息熵 E ( x) 定义 为 法 ,包括基于遗传算法和蚁群算法[1 ] 的聚类方 　　E ( x) = - ∑p ( x) log p ( x) ( 1) 法. x ∈X 一个多变量向量 x = { x 1 , x 2 , …, x n} 的信 蚁群优化算法是由意大利学者 Dorigo M 等 息熵定义为 人根据蚂蚁群体具有智能的特点而首先提出来 E ( x) = - ∑ … ∑p ( x 1 , x 2 , …x n) · 的. 最 早 在 这 一 领 域 开 展 工 作 的 是 x 1 ∈