结合蚂蚁算法的K－Means聚类分析TheK.pdf

第 卷 第 期 河 北 工 业 大 学 学 报 年 月 36 3 2007 6 Vol.36 No.3 JOURNAL OF HEBEI UNIVERSITY OF TECHNOLOGY June 2007 文章编号：1007-2373 (2007) 03-0048-05 结合蚂蚁算法的K-Means聚类分析 杨 昕，彭玉青 （河北工业大学 计算机与信息学院，天津300130 ） 摘要 蚂蚁算法是一种新的基于种群的模拟进化算法， 、基于密度的聚类是常见的基于分割的聚类方法， K-Means 本文将蚂蚁算法、 算法、密度思想结合在一起，提出了一种基于密度 蚂蚁思想的K-Means 算法，它利 K-Means 用蚂蚁算法的随机性，很大程度上解决局部最优问题，而且克服了K-Means 算法初始参数的敏感性，提高了聚 类的质量．再结合密度思想，使蚂蚁有选择地遍历，提高了算法效率，并克服了基于密度的算法不能发现任意形 状聚类的问题． 关 键 词 聚类分析；蚂蚁算法；K-Means ；密度；数据 中图分类号 TP391.41 文献标识码 A The K-Means Clustering Analysis Combined with Ant Colony YANG Xin ，PENG Yu-qing （School of Computer Science and Engineer，Hebei University of Technology，Tianjin 300130, China ) Abstract The ant algorithm is a new evolutional method, k-means and the density-cluster are familiar cluster analysis. In this paper, we proposed a new K-Means algorithm based on density and ant theory, which resolved the problem of local minimal by the random city of ants and hurdled the original parameter sensitivity of k-means. It combined thought of density and made the ants searching select . It improved the efficiency and overcame the problem of not finding clustering center of arbitrariness shape. ； ； ； ； Key words cluster analysis ant algorithm K-Means density data 0 引言 K-Means 是一种常见的基于分割的聚类方法，它根据输入的K 值（最终聚类的个数）随机选取初始 的聚类中心，不断的迭代，达到目标函数的最小值后，得到最终的聚类结果．但是这里存在两个问题， 1) 由于目标函数局部极小值点的存在以及算法的贪心性，导致算法陷入局部最优，达不到全局最优．2) 初始参数确定的