张新建

摘 要： 受蚂蚁觅食过程启发的聚类算法又被称为蚁群聚类算法，把觅食行为分为搜索食物和搬运食物两个环节，把数据对象视为蚂蚁，把聚类中心视为“食物源”，这样数据对象的聚类过程就可以转化为蚂蚁觅食过程，但在该算法中没有区分数据对象不同属性的重要性，通过采用离差最大化方法，根据每个属性的重要性赋予它一个权值，从而改进了原算法中的距离计算，使得相似的数据对象能快速的聚集到一起，提高了算法的运行效率。

关键词： 聚类算法； 蚁群算法； 离差； 权值

中图分类号：TP301.6 文献标志码：A 文章编号：1006-8228（2017）09-01-04

Abstract： Clustering algorithm inspired by the foraging process called ant colony clustering algorithm， the foraging behavior is divided into two aspects， food searching and food handling， the data object as an ant， the cluster center as a "food source"， so the clustering process of data objects can be converted to the ant foraging process， but did not distinguish between the importance of the different attributes of the data objects in the algorithm， this paper uses the maximum deviation method for each attribute according to its importance as it gives a weight， which improves the original algorithm in the distance calculation， makes similar objects fast together， and improves the efficiency of the algorithm.

Key words： clustering algorithm； ant colony algorithm； deviation； weigh

0 引言

通过对自然界中蚂蚁寻找食物过程的观察，学者们发现实际上整个寻找食物的过程可以简单地分为两个环节：搜索食物和搬运食物。蚂蚁在寻找食物时不论是在搜索食物环节还是在搬运食物环节，都会在它所经过的路径上释放一定量的信息素，这种信息素的强度可以被其他蚂蚁所感知到，同时信息素本身也具有一定的挥发性，即它的强度会随着时间的推移而慢慢减弱以至消失。自然界中蚂蚁不仅可以感知到信息素的强弱，也具有追逐信息素的倾向，即如果某条路径上信息素的强度很高，那么蚂蚁在选择路径时，选择这条路径的概率就很大。信息素对蚂蚁选择路径行为的影响通过蚂蚁群体行为的放大就可以表现出一种正反馈现象，即如果某条路径上信息素强度高于其他路径，那……