【数据聚类】基于蚁群算法实现聚类设计含Matlab源码

 1 简介

随着计算机的飞速发展，各个领域都产生了大量的数据，如何从海量的数据中找出需要的信息和有用的知识，成为社会中越来越关注的问题。经过众多专家学者的努力研究，一门新兴的学科----数据挖掘技术逐步的被用于海量数据的处理。从而有效的解决了“数据爆炸却知识贫乏”的问题。而作为数据挖掘技术之一的聚类分析也越来越受到研究者的关注，它既可用于独立数据的挖掘工具，也可用于其它数据挖掘的预处理步骤，颇具有研究价值。随着群体智能研究的不断深入，Deneubourg等人通过观察现实中蚂蚁堆积尸体和分类它们的幼体等自然行为，模拟蚂蚁的觅食活动，提出了蚁群算法的概念，并将蚁群算法引入到聚类分析中，从此开始了基于蚁群算法的聚类研究与应用。　　

2 部分代码

clc;clf;clear; % X = 测试样本矩阵;%  X = load('data.txt');X=[2232.43  3077.87  1298.87;1580.1  1752.07  2463.04;1962.4  1594.97  1835.95;1495.18  1957.44  3498.02;1125.17  1594.39  2937.73;24.22  3447.31  2145.01;1269.07  1910.72  2701.97;1802.07  1725.81  1966.35;1817.36  1927.4  2328.79;1860.45  1782.88  1875.13;1237.91  2055.13  3405.09;688.94  2104.72  3198.51;1675.65  1747.23  1580.39;1806.02  1810.19  2191.12;74.56  3288.02  2433.87;307.35  3363.84  2021.61;1988.27  1657.51  2069.2;2173.92  2608.55  1803.57;372.16  3077.44  2163.46;576.6  2140.98  3320;1724.13  1704.49  1798.75;2501.21  2652.65  984.56;1656.94  1913.34  2459.07;362.51  3150.03  2472;565.74  2284.97  3024.58;1978.06  1536.13  2375.64;1661.06  1552.4  2005.05;790.29  2419.98  3051.16;1557.27  1746.27  1879.13;2793.36  3009.26  1073.55;1766.08  1803.14  1895.18;1207.88  1600.62  3123.07;245.75  3373.67  2248.45;2785.36  3052.81  1035.65;315.42  3088.29  2187.12;1243.28  2451.72  3111.99;829.84  1555.91  3139.21;1347.07  2364.31  3096.88;1926.98  1507.34  1626.47;1808.57  1608.78  1565.95;1124.1  1840.98  2819.41;2661  3302.39  1710.32;1805.55  1899.09  2400.6;1130.18  1902.42  2753.7;1355.19  1566.16  2927.81;1651.14  1774.03  1725.56;2110.63  3308.04  702.06;2788.11  3395.23  1684.45;1807.61  1680.56  2356.65;1363.58  1729.44  2749.55;1992.42  1526.9  1581.42;     ][N,n]=size(X);      % N =测试样本数;n =测试样本的属性数;K = 4;              % K = 组数; R = 100;            % R = 蚂蚁数; t_max = 1000;       % t_max =最大迭代次数;                 % 初始化​clct timecluster_centerbest_solution = solution_ascend(1,1:end-1);IDY=ctranspose(best_solution)best_solution_function_value =  solution_ascend(1,end)%分类结果显示plot3(cluster_center(:,1),cluster_center(:,2),cluster_center(:,3),'o');grid;boxtitle('蚁群聚类结果(R=100,t=10000)')xlabel('X')ylabel('Y')zlabel('Z')YY=[1 2 3 4];index1 = find(YY(1) == best_solution)index2 = find(YY(2) == best_solution)index3 = find(YY(3) == best_solution)index4 = find(YY(4) == best_solution)line(X(index1,1),X(index1,2),X(index1,3),'linestyle','none','marker','*','color','g');line(X(index2,1),X(index2,2),X(index2,3),'linestyle','none','marker','*','color','r');line(X(index3,1),X(index3,2),X(index3,3),'linestyle','none','marker','+','color','b');line(X(index4,1),X(index4,2),X(index4,3),'linestyle','none','marker','s','color','b');rotate3d

3 仿真结果

4 参考文献

[1]耿德生. 基于蚁群算法的聚类研究与应用[D]. 山西大学, 2011.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。