摘要：聚类作为数据挖掘技术的重要组成部分,在很多领域有着广泛应用。蚁群算法是近几年研究的一种新算法,该算法采用分布式并行计算和正反馈机制,具有易于与其它方法相结合的优点。根据蚁群算法在聚类中的应用及改进型式的不同,文章主要介绍了几种基本的流行的蚁群聚类算法,分析了它们的不同之处,并对蚁群聚类算法今后的研究方向作了展望。

摘要：为了改善传统的协作学习分组中存在的方式单一、缺乏智能性等缺点,将蚁群聚类算法应用于协作学习分组,并以大学计算机课程为例进行了算法验证。算法通过多个学生特征参数计算相似性,提高了聚类的准确性;合并一部分较为相似的学生数据,减少了实验数据,提高聚类效率;再通过计算数据领域内的平均相似性,得到聚类结果;最后在每个聚类中选择数据组成协作小组。实验结果表明,与传统协作学习相比,蚁群聚类算法的分组效率更高,分组结果更加合理有效,协作学习效果也得到明显改善。

摘要：为了解决基于本体的知识库构建效率不高的问题,将模块化思想引入本体中,并在蚁群聚类算法的基出上,融入遗传算法的种群思想,提出了一种基于改进的蚁群聚类算法的模块化本体的方法。以本体概念间的相似度作为划分模块的主要依据,然后应用改进的蚁群聚类算法得到本体模块划分方案,最后通过实例验证了该方法的有效性。

摘要：作为数据挖掘技术的重要组成部分,聚类分析在很多领域有着广泛的应用。蚁群算法由于采用分布式并行处理和正反馈机制,具有较好的全局收敛性,并且在解决多种NP难问题中取得了成功。将信息素扩散模型引入到蚁群聚类算法中,通过设计新的信息素更新机制,提出一种新的基于信息素扩散的蚁群聚类算法。实验结果表明新算法在聚类效果上比基本的蚁群聚类算法有较明显的改善。

摘要：鉴于二维码扫码支付设备的复杂性以及不同故障的多样性,提出一种基于蚁群聚类算法的二维码扫码支付设备故障自动识别方法。需引入高斯径向基核函数,将特征数据映射至高维空间,在高维空间中完成对特征矩阵的主元分析,获取有效的特征提取结果。分析了蚁群算法基本原理,依据二维码扫码支付在出现故障时和正常运行状态下特征存在差异的特点,将故障自动识别转换成对设备运行时输出与状态特征的聚类问题,把蚁群聚类算法应用于故障自动识别中,将所有故障样本数据当成蚂蚁所需的访问地点,针对所有数据样本产生有序链接,通过归并概率值将不同样本数据间的链接断开,在算法达到最大迭代次数或最大归并概率值的情况下,完成迭代,获取最优聚类结果,完成故障自动识别。经验证,所提方法可保证很高的识别精度。

摘要：通过分析现有客户聚类存在的不足,面向大批量定制设计提出了根据功能结构模型进行客户动态聚类划分的新方法。采用面向对象的技术,将功能作为产品族的特征属性与产品族结构封装,建立了产品族功能结构模型;应用蚂蚁自我聚集行为的聚类原理,以产品族功能结构模型为分类模式,以动态定制客户集为模式样本,提出了基于功能结构蚂蚁树的定制客户动态聚类算法。在自行开发的工程机械产品定制服务平台上,以摊铺机定制客户的聚类划分为例进行了实验验证。

摘要：对数据挖掘的算法作了分析和比较,选取蚁群聚类算法对互动业务中的典型平台——IPTV业务进行研究,实现用户行为特征群偏好分析。

摘要：为了更好地利用客户的感性认知支持产品外形设计活动,提出一种产品外形设计中客户感性认知与产品外形特征关联模型.在分析产品外形设计中所涉及的客户感性认知特点的基础上,建立产品外形特征要素与客户感性认知要素的关联模式;以认知行为为标准,利用特征匹配实现了客户感性认知的识别与相似性分析;提出了基于模糊认知图的客户感性认知与产品外形特征关联模型,利用蚁群聚类算法确定模糊认知图的结构及邻接矩阵,从而获取客户感性认知以指导产品的外形设计.最后通过实例验证了该模型的有效性和实用性.

摘要：为克服传统评价模型在寻找网络关键节点时主观因素的干扰,使用聚类思想来进行网络关键节点识别.结合聚类分析的思想,提出了识别网络关键节点的数学模型.将蚁群聚类算法和遗传算法进行融合,对成都市地铁网络的136个节点进行聚类分析,完成了关键节点的识别.采用网络效率和最大连通子图来衡量网络鲁棒性,观察关键节点类被随机攻击后网络指标的变化趋势.结果表明:改进后的蚁群聚类算法聚类性能和效率有了较大提升,并且准确识别出了26个关键节点;关键节点类被随机攻击后,网络效率和最大连通子图下降80%以上,远高于其他节点类,验证了通过聚类进行关键节点识别的可行性.

摘要：针对医学图像检索中单一特征无法有效表达复杂特征、易陷入局部最优的问题,提出一种将医学图像形状特征和纹理特征相结合的成对约束特征选择蚁群聚类算法。通过结合纹理特征灰度共生矩阵和形状特征Hu不变矩,建立多特征医学图像数据库集;用成对约束降维算法对医学图像数据集进行特征选择,形成最优特征集,对最优特征集进行动态加权,对加权最优特征集进行蚁群聚类;通过加权马氏距离相似性度量算法形成有规则的簇。基于改进的蚁群聚类医学图像检索算法相比传统的蚁群聚类检索算法,减少了专业人员对先验值的依赖,区分出了重要特征并按照重要的程度给予动态加权,该研究算法提高检索分类性能和稳定性,使检索查全率和查准率进一步优化,检索医学图像效果达到预期目标。