一种利用信息熵的群体智能聚类算法
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
该方法能够有效地聚集数据库的记录对象， 具有一定的实际应用价值。
关键词信息熵群体智能聚类文章编号 !QS%%Q （!#）%QSQ%文献标识码 T中 图分类号 UO%! #$%()*+ !#+,()-. /%)*+ 0*(,12 3*4 563(. 7*##)+*89)$ :,（72G,-1.201 :L N:.G812- *642062，V40,0 W04D2-I41E，X8,05CM:8 =%!）UM2 G,G2- 6,--42I -2I2,-6M :0 638I12-405 8I405 I+,-. 401233452062$/1 ,.20FI G46P405 ,0F F-:GG405 -832I 40!;%(38：
在文献(%)中，720289:8-5 等首次模拟幼蚁自 动分类 （即较小的幼虫在中心， 较大的幼虫在外围）及蚁尸聚积现象， 提出 了 聚类基本模型。
随后 ;8.2- 和 ,421, 在文献(#)中改进了 720289:8-5的基本模型， 提出 了 ; 算法并应用 于数据分析中。
虽然以上方法可以获得较好的聚类结果， 但是需较长的计算时间， 还需设置较多的参数。
A B/0414,34C,14:0 B A:- 2D2-E 412. F:G3,62 -,0F:.3E :0 5-4FH0F :-:- ,33 ,5201I F:G3,62 ,5201 ,1 -,0F:.3E I232612F I412H0F :-A B J,40 3::G B A:- (? 1: (.,K F::- ,33 ,5201I F:/L （ （,5201 803,F20）,0F （I412 :668G42F 9E 412. ））1M20N:.G812 $ （）,0F （）7-,+ -,0F:. -2,3 08.92- ) 921+220 ,0F /L （)!（））1M20 AA 拾起规则O46P 8G 412. H0F /LH3I2 /L （ （,5201 6,--E405 412. ）,0F （I412 2.G1E））1M20N:.G812 $ （）,0F #（）7-,+ -,0F:. -2,3 08.92- ) 921+220 ,0F /L （)!#（））1M20 AA 放下规则7-:G 412.一种利用信息熵的群体智能聚类算法刘波（暨南大学计算机科学系， 广州 =%!）HQ.,43：
一种利用信息熵的群体智能聚类算法
!#$%计算机工程与应用前言数据挖掘是一个多学科交叉的研究领域， 涉及数据库技术、 人工智能、 机器学习 、 统计学、 知识获取、 生物计算等学科。
这些学科的发展为数据挖掘的研究提供了 新的机遇与挑战。
聚类是数据挖掘的重要任务之一， 目 前主要的聚类算法可以划分为如下几类()：
,01Y9,I2F 638I12-405 ,35:-41M. G-:G:I2F 9E ;8.2- ,0F ,421, 1M-:85M 6:.G81405 ,0F 6:.G,-405 40L:-.,14:0 201-:GE$TI, -2I831，41 IG22FI 8G 638I12-405 ,0F -2F862I 08.92- :L G,-,.212-I$UM2 .21M:F 6,0 638I12- -26:-FI 40 , F,1,9,I22LL2614D23E ,0F 4I :L G-,6146,3 ,GG346,14:0 D,382$26,(4%：
39K3FFRI:M8$6:.摘要论文采用群体智能 （*+,-. /01233452062）的思想研究聚类问题。
在 ;8.2- 和 ,421, 基于蚁群的聚类算法中， 通过信息熵的计算与比较， 改变了 拾起和放下对象的规则， 增加了 两区域对象的合并操作， 从而加快了 聚类速度并减少了 参数设置数目 。
一个任意移动的未载物体的蚂蚁拾起一个物体的可能性 !按公式Fra Baidu bibliotek（） 计算； 一个任意移动的载有物体的蚂蚁放下一个物体的可能性 !#按公式（!） 计算， 其中 $是蚂蚁周围物体的个数，%和 %!均为常数。
!?%%@$!（）#?$%!@$!!（!）;8.2- 和 ,421, 在文献(#)中 ， 基于 720289:8-5 的 基本 模型， 提出 了以下算法：
在一个 !! 的网格中， 蚂蚁在地点 #可以观察到周围 $$ 的区域中的物体 （下面称对象）。
对象 %在地点 2 与周 围对象的相似度按公式 （%） 计算， 其中 ! 是一个衡量相异度的参数， （%，%(）是两个对象 %和 %(的距离。
40L:-.,14:0 201-:GE，I+,-. 401233452062，638I12-作者简介：
刘波， 女， 副教授， 主要研究方向：
数据挖掘， 数据仓库， 智能信息处理。
S计算机工程与应用!#$%() *+() ,+-./0 1. 23().456 7050810) (0*9:;.2*(9 7*10 (.1 .88=*0) ;6.1:02 390(1() .2() .2?2*(1 5.831*.( .+ *1047以上算法考虑的是：
文献(，=)采用 群体智能与 均值算法相结合的方法加快聚类速度。
论文在 ; 算法中利用信息熵来控制蚂蚁拾起和放下对象动作， 既可以减少参数的个数， 又可以加快聚类的进程。
!蚁群聚类的基本模型和 ; 算法在自 然界中， 一些蚂蚁可以将蚁尸 聚成 公墓， 也可将幼虫按大小分类。
720289:8-5 等根据这两种现象提出 了 两种模型(%)， 两者的原理是一致的， 即一群蚂蚁在一个二维区域内 任意移动， 允许按规则拾起和放下物体。
划分方法， 层次方法， 基于密度的方法， 基于网格的方法和基于模型的方法等。
这些方法大多数需要一些参数限制， 设定聚的数目 ， 而且聚类结果对初始状态及参数非常敏感。
近年来， 一些学者开始应用 群体智 能 （*+,-. /01233452062）(!)的思想研究聚类问题。
因为群体智能源于对简单个体组成的群落社会系统的模拟， 如蚁群、 蜂群， 在没有任何先验知识和无统一指挥的分布环境下， 它们具有自 我组织、 合作、 通信等特点。
关键词信息熵群体智能聚类文章编号 !QS%%Q （!#）%QSQ%文献标识码 T中 图分类号 UO%! #$%()*+ !#+,()-. /%)*+ 0*(,12 3*4 563(. 7*##)+*89)$ :,（72G,-1.201 :L N:.G812- *642062，V40,0 W04D2-I41E，X8,05CM:8 =%!）UM2 G,G2- 6,--42I -2I2,-6M :0 638I12-405 8I405 I+,-. 401233452062$/1 ,.20FI G46P405 ,0F F-:GG405 -832I 40!;%(38：
在文献(%)中，720289:8-5 等首次模拟幼蚁自 动分类 （即较小的幼虫在中心， 较大的幼虫在外围）及蚁尸聚积现象， 提出 了 聚类基本模型。
随后 ;8.2- 和 ,421, 在文献(#)中改进了 720289:8-5的基本模型， 提出 了 ; 算法并应用 于数据分析中。
虽然以上方法可以获得较好的聚类结果， 但是需较长的计算时间， 还需设置较多的参数。
A B/0414,34C,14:0 B A:- 2D2-E 412. F:G3,62 -,0F:.3E :0 5-4FH0F :-:- ,33 ,5201I F:G3,62 ,5201 ,1 -,0F:.3E I232612F I412H0F :-A B J,40 3::G B A:- (? 1: (.,K F::- ,33 ,5201I F:/L （ （,5201 803,F20）,0F （I412 :668G42F 9E 412. ））1M20N:.G812 $ （）,0F （）7-,+ -,0F:. -2,3 08.92- ) 921+220 ,0F /L （)!（））1M20 AA 拾起规则O46P 8G 412. H0F /LH3I2 /L （ （,5201 6,--E405 412. ）,0F （I412 2.G1E））1M20N:.G812 $ （）,0F #（）7-,+ -,0F:. -2,3 08.92- ) 921+220 ,0F /L （)!#（））1M20 AA 放下规则7-:G 412.一种利用信息熵的群体智能聚类算法刘波（暨南大学计算机科学系， 广州 =%!）HQ.,43：
一种利用信息熵的群体智能聚类算法
!#$%计算机工程与应用前言数据挖掘是一个多学科交叉的研究领域， 涉及数据库技术、 人工智能、 机器学习 、 统计学、 知识获取、 生物计算等学科。
这些学科的发展为数据挖掘的研究提供了 新的机遇与挑战。
聚类是数据挖掘的重要任务之一， 目 前主要的聚类算法可以划分为如下几类()：
,01Y9,I2F 638I12-405 ,35:-41M. G-:G:I2F 9E ;8.2- ,0F ,421, 1M-:85M 6:.G81405 ,0F 6:.G,-405 40L:-.,14:0 201-:GE$TI, -2I831，41 IG22FI 8G 638I12-405 ,0F -2F862I 08.92- :L G,-,.212-I$UM2 .21M:F 6,0 638I12- -26:-FI 40 , F,1,9,I22LL2614D23E ,0F 4I :L G-,6146,3 ,GG346,14:0 D,382$26,(4%：
39K3FFRI:M8$6:.摘要论文采用群体智能 （*+,-. /01233452062）的思想研究聚类问题。
在 ;8.2- 和 ,421, 基于蚁群的聚类算法中， 通过信息熵的计算与比较， 改变了 拾起和放下对象的规则， 增加了 两区域对象的合并操作， 从而加快了 聚类速度并减少了 参数设置数目 。
一个任意移动的未载物体的蚂蚁拾起一个物体的可能性 !按公式Fra Baidu bibliotek（） 计算； 一个任意移动的载有物体的蚂蚁放下一个物体的可能性 !#按公式（!） 计算， 其中 $是蚂蚁周围物体的个数，%和 %!均为常数。
!?%%@$!（）#?$%!@$!!（!）;8.2- 和 ,421, 在文献(#)中 ， 基于 720289:8-5 的 基本 模型， 提出 了以下算法：
在一个 !! 的网格中， 蚂蚁在地点 #可以观察到周围 $$ 的区域中的物体 （下面称对象）。
对象 %在地点 2 与周 围对象的相似度按公式 （%） 计算， 其中 ! 是一个衡量相异度的参数， （%，%(）是两个对象 %和 %(的距离。
40L:-.,14:0 201-:GE，I+,-. 401233452062，638I12-作者简介：
刘波， 女， 副教授， 主要研究方向：
数据挖掘， 数据仓库， 智能信息处理。
S计算机工程与应用!#$%() *+() ,+-./0 1. 23().456 7050810) (0*9:;.2*(9 7*10 (.1 .88=*0) ;6.1:02 390(1() .2() .2?2*(1 5.831*.( .+ *1047以上算法考虑的是：
文献(，=)采用 群体智能与 均值算法相结合的方法加快聚类速度。
论文在 ; 算法中利用信息熵来控制蚂蚁拾起和放下对象动作， 既可以减少参数的个数， 又可以加快聚类的进程。
!蚁群聚类的基本模型和 ; 算法在自 然界中， 一些蚂蚁可以将蚁尸 聚成 公墓， 也可将幼虫按大小分类。
720289:8-5 等根据这两种现象提出 了 两种模型(%)， 两者的原理是一致的， 即一群蚂蚁在一个二维区域内 任意移动， 允许按规则拾起和放下物体。
划分方法， 层次方法， 基于密度的方法， 基于网格的方法和基于模型的方法等。
这些方法大多数需要一些参数限制， 设定聚的数目 ， 而且聚类结果对初始状态及参数非常敏感。
近年来， 一些学者开始应用 群体智 能 （*+,-. /01233452062）(!)的思想研究聚类问题。
因为群体智能源于对简单个体组成的群落社会系统的模拟， 如蚁群、 蜂群， 在没有任何先验知识和无统一指挥的分布环境下， 它们具有自 我组织、 合作、 通信等特点。