蟻群演算法聚類

① 蟻群聚類演算法的介紹

蟻群聚類演算法是基於蟻穴清理行為的聚類演算法。

② 楊淑瑩的書有沒有被引用過

這是計算機領域的一部專著，很有影響力，所以一定是有人引用的，有關介紹如下：
《模式識別與智能計算―MATLAB技術實現（第3版）》廣泛吸取統計學、神經網路、數據挖掘、機器學習、人工智慧、群智能計算等學科的先進思想和理論，將其應用到模式識別領域中；以一種新的體系，系統、全面地介紹模式識別的理論、方法及應用。全書分為14章，內容包括：模式識別概述，特徵的選擇與優化，模式相似性測度，基於概率統計的貝葉斯分類器設計，判別函數分類器設計，神經網路分類器設計（BP神經網路、徑向基函數神經網路、自組織競爭神經網路、概率神經網路、對向傳播神經網路、反饋型神經網路），決策樹分類器設計，粗糙集分類器設計，聚類分析，模糊聚類分析，禁忌搜索演算法聚類分析，遺傳演算法聚類分析，蟻群演算法聚類分析，粒子群演算法聚類分析。
《模式識別與智能計算―MATLAB技術實現（第3版）》內容新穎，實用性強，理論與實際應用密切結合，以手寫數字識別為應用實例，介紹理論運用於實踐的實現步驟及相應的Matlab代碼，為廣大研究工作者和工程技術人員對相關理論的應用提供借鑒。

③ MATLAB建模方法有哪些

建模覆蓋的內容很廣，可以分為兩大塊：優化和統計，因此建模方法也可以由這兩大塊劃分。

一.優化：

1. 智能演算法: 遺傳演算法，粒子群演算法，模擬退火演算法，蟻群演算法...

2. 基礎優化演算法: 目標規劃，整數規劃...

3. 排隊論

二.統計：

1. 分類/聚類演算法: k-means...

2. 預測: 時間序列演算法，灰色預測演算法，指數平滑演算法，

3. 評價: 模糊綜合評價，信息熵評價，粗糙集,數據包絡分析，層次分析，

4. 智能演算法：神經網路，svm...

5. 回歸/擬合：多元線性擬合，最小二乘法

6. 數據處理：小波變換

   
   

④ 模式識別與智能計算 matlab技術實現 怎麼運行

《模式識別與智能計算―MATLAB技術實現（第3版）》廣泛吸取統計學、神經網路、數據挖掘、機器學習、人工智慧、群智能計算等學科的先進思想和理論，將其應用到模式識別領域中；以一種新的體系，系統、全面地介紹模式識別的理論、方法及應用。全書分為14章，內容包括：模式識別概述，特徵的選擇與優化，模式相似性測度，基於概率統計的貝葉斯分類器設計，判別函數分類器設計，神經網路分類器設計（BP神經網路、徑向基函數神經網路、自組織競爭神經網路、概率神經網路、對向傳播神經網路、反饋型神經網路），決策樹分類器設計，粗糙集分類器設計，聚類分析，模糊聚類分析，禁忌搜索演算法聚類分析，遺傳演算法聚類分析，蟻群演算法聚類分析，粒子群演算法聚類分析。
《模式識別與智能計算―MATLAB技術實現（第3版）》內容新穎，實用性強，理論與實際應用密切結合，以手寫數字識別為應用實例，介紹理論運用於實踐的實現步驟及相應的Matlab代碼，為廣大研究工作者和工程技術人員對相關理論的應用提供借鑒。

⑤ 尋找配送商應注意哪些

http://www.equn.com/forum/viewthread.php?tid=6768 近一百多篇文章，打包壓縮後有 24.99MB ，基本上是從維普資料庫中下載來的蟻群演算法(ant colony optimization, ACO)，又稱螞蟻演算法，是一種用來在圖中尋找優化路徑的機率型技術。它由Marco Dorigo於1992年在他的博士論文中引入，其靈感來源於螞蟻在尋找食物過程中發現路徑的行為。引言 20世紀50年代中期創立了仿生學，人們從生物進化的機理中受到啟發，提出了許多用以解決復雜優化問題的新方法，如進化規劃、進化策略、遺傳演算法等，這些演算法成功地解決了一些實際問題．20世紀90年代義大利學者M．Dorigo，V．Maniezzo，A．Colorni等從生物進化的機制中受到啟發，通過模擬自然界螞蟻搜索路徑的行為，提出來一種新型的模擬進化演算法—— 蟻群演算法．用該方法求解TsP問題、分配問題、job-shop調度問題，取得了較好的試驗結果．雖然研究時間不長，但是現在的研究顯示出，蟻群演算法在求解復雜優化問題 方面有一定優勢，表明它是一種有發展前景的演算法．蟻群演算法的原理： 研究表明：螞蟻在覓食途中會留下一種外激素．螞蟻利用外激素與其他螞蟻交流、合作，找到較短路徑．經過某地的螞蟻越多，外激素的強度越大．螞蟻擇路偏向選擇外激素強度大的方向．這種跟隨外激素強度前進的行為會隨著經過螞蟻的增多而加強，因為通過較短路徑往返於食物和巢穴之間的螞蟻能以更短的時間經過這條路徑上的點，所以這些點上的外激素就會因螞蟻經過的次數增多而增強．這樣就會有更多的螞蟻選擇此路徑，這條路徑上的外激素就會越來越強，選擇此路徑的螞蟻也越來越多．直到最後，幾乎所有的螞蟻都選擇這條最短的路徑．這是一種正反饋現象。 以下是文件列表，全是 PDF 格式的：基於蟻群優化演算法遞歸神經網路的短期負荷預測 蟻群演算法的小改進 基於蟻群演算法的無人機任務規劃 多態蟻群演算法 MCM基板互連測試的單探針路徑優化研究 改進的增強型蟻群演算法 基於雲模型理論的蟻群演算法改進研究 基於禁忌搜索與蟻群最優結合演算法的配電網規劃 自適應蟻群演算法在序列比對中的應用 基於蟻群演算法的QoS多播路由優化演算法 多目標優化問題的蟻群演算法研究 多線程蟻群演算法及其在最短路問題上的應用研究 改進的蟻群演算法在2D HP模型中的應用 製造系統通用作業計劃與蟻群演算法優化 基於混合行為蟻群演算法的研究 火力優化分配問題的小生境遺傳螞蟻演算法 基於蟻群演算法的對等網模擬器的設計與實現 基於粗粒度模型的蟻群優化並行演算法 動態躍遷轉移蟻群演算法 基於人工免疫演算法和蟻群演算法求解旅行商問題 基於信息素非同步更新的蟻群演算法 用於連續函數優化的蟻群演算法 求解復雜多階段決策問題的動態窗口蟻群優化演算法 蟻群演算法在鑄造生產配料優化中的應用 多階段輸電網路最優規劃的並行蟻群演算法 求解旅行商問題的混合粒子群優化演算法 微粒群優化演算法研究現狀及其進展 隨機攝動蟻群演算法的收斂性及其數值特性分析 廣義蟻群與粒子群結合演算法在電力系統經濟負荷分配中的應用 改進的蟻群演算法及其在TSP中的應用研究 蟻群演算法的全局收斂性研究及改進 房地產開發項目投資組合優化的改進蟻群演算法 一種改進的蟻群演算法用於灰色約束非線性規劃問題求解 一種自適應蟻群演算法及其模擬研究 一種動態自適應蟻群演算法 螞蟻群落優化演算法在蛋白質折疊二維親-疏水格點模型中的應用 用改進蟻群演算法求解函數優化問題 連續優化問題的蟻群演算法研究進展 蟻群演算法概述 Ant colony system algorithm for the optimization of beer fermentation control 蟻群演算法在K—TSP問題中的應用 Parallel ant colony algorithm and its application in the capacitated lot sizing problem for an agile supply chain 基於遺傳蟻群演算法的機器人全局路徑規劃研究 改進的蟻群演算法在礦山物流配送路徑優化中的研究 基於蟻群演算法的配電網路綜合優化方法 基於蟻群演算法的分類規則挖掘演算法 蟻群演算法在連續性空間優化問題中的應用 蟻群演算法在礦井通風系統優化設計中的應用 基於蟻群演算法的液壓土錨鑽機動力頭優化設計 改進蟻群演算法設計拉式膜片彈簧 計算機科學技術 基本蟻群演算法及其改進 TSP改進演算法及在PCB數控加工刀具軌跡中的應用 可靠性優化的蟻群演算法 對一類帶聚類特徵TSP問題的蟻群演算法求解 蟻群演算法理論及應用研究的進展 基於二進制編碼的蟻群優化演算法及其收斂性分析 蟻群演算法的理論及其應用 基於蟻群行為模擬的影像紋理分類 啟發式蟻群演算法及其在高填石路堤穩定性分析中的應用 蟻群演算法的研究現狀 一種快速全局優化的改進蟻群演算法及模擬 聚類問題的蟻群演算法 蟻群最優化——模型、演算法及應用綜述 基於信息熵的改進蟻群演算法及其應用 機載公共設備綜合管理系統任務分配演算法研究 基於改進蟻群演算法的飛機低空突防航路規劃 利用信息量留存的蟻群遺傳演算法 An Improved Heuristic Ant-Clustering Algorithm 改進型蟻群演算法在內燃機徑向滑動軸承優化設計中的應用 基於蟻群演算法的PID參數優化 基於蟻群演算法的復雜系統多故障狀態的決策 蟻群演算法在數據挖掘中的應用研究 基於蟻群演算法的基因聯接學習遺傳演算法 基於細粒度模型的並行蟻群優化演算法 Binary-Coding-Based Ant Colony Optimization and Its Convergence 運載火箭控制系統漏電故障診斷研究 混沌擾動啟發式蟻群演算法及其在邊坡非圓弧臨界滑動面搜索中的應用 蟻群演算法原理的模擬研究 Hopfield neural network based on ant system 蟻群演算法及其實現方法研究 分層實體製造激光頭切割路徑的建模與優化 配送網路規劃蟻群演算法 基於蟻群演算法的城域交通控制實時滾動優化 基於蟻群演算法的復合形法及其在邊坡穩定分析中的應用 Ant Colony Algorithm for Solving QoS Routing Problem 多產品間歇過程調度問題的建模與優化 基於蟻群演算法的兩地之間的最佳路徑選擇 蟻群演算法求解問題時易產生的誤區及對策 用雙向收斂蟻群演算法解作業車間調度問題 物流配送路徑安排問題的混合蟻群演算法 求解TSP問題的模式學習並行蟻群演算法 基於蟻群演算法的三維空間機器人路徑規劃 蟻群優化演算法及其應用 蟻群演算法不確定性分析 一種求解TSP問題的相遇蟻群演算法 基於蟻群優化演算法的彩色圖像顏色聚類的研究 鈑金件數控激光切割割嘴路徑的優化 基於蟻群演算法的圖像分割方法 一種基於蟻群演算法的聚類組合方法 圓排列問題的蟻群模擬退火演算法 智能混合優化策略及其在流水作業調度中的應用 蟻群演算法在QoS網路路由中的應用 一種改進的自適應路由演算法 基於蟻群演算法的煤炭運輸優化方法 基於蟻群智能和支持向量機的人臉性別分類方法 蟻群演算法在啤酒發酵控制優化中的應用 一種基於時延信息的多QoS快速自適應路由演算法 蟻群演算法中參數α、β、ρ設置的研究——以TSP問題為例 基於人工蟻群優化的矢量量化碼書設計演算法 具有自適應雜交特徵的蟻群演算法 蟻群演算法在原料礦粉混勻優化中的應用 基於多Agent的蟻群演算法在車間動態調度中的應用研究 用蟻群優化演算法求解中國旅行商問題 蟻群演算法在嬰兒營養米粉配方中的應用 蟻群演算法在機械優化設計中的應用 蟻群優化演算法的研究現狀及研究展望 蟻群優化演算法及其應用研究進展 蟻群演算法的理論與應用 簡單蟻群演算法的模擬分析 一種改進的蟻群演算法求解最短路徑問題 基於模式求解旅行商問題的蟻群演算法 一種求解TSP的混合型蟻群演算法 基於MATLAB的改進型基本蟻群演算法 動態蟻群演算法求解TSP問題 用蟻群演算法求解類TSP問題的研究 蟻群演算法求解連續空間優化問題的一種方法 用混合型螞蟻群演算法求解TSP問題 求解復雜TSP問題的隨機擾動蟻群演算法 基於蟻群演算法的中國旅行商問題滿意解 蟻群演算法的研究現狀和應用及螞蟻智能體的硬體實現 蟻群演算法概述 蟻群演算法的研究現狀及其展望 基於蟻群演算法的配電網網架優化規劃方法 用於一般函數優化的蟻群演算法 協同模型與遺傳演算法的集成 基於蟻群最優的輸電網路擴展規劃 自適應蟻群演算法 凸整數規劃問題的混合蟻群演算法 一種新的進化演算法—蛟群演算法 基於協同工作方式的一種蟻群布線系統

⑥ 大數據時代空間數據挖掘的認識及其思考

引言

空間數據挖掘（Spatial Data Mining，SDM）即找出開始並不知道但是卻隱藏在空間數據中潛在的、有價值的規則的過程。具體來說，空間數據挖掘就是在海量空間數據集中，結合確定集、模糊集、仿生學等理論，利用人工智慧、模式識別等科學技術，提取出令人相信的、潛在有用的知識，發現空間數據集背後隱藏的規律、聯系，為空間決策提供理論技術上的依據[1]。

1.空間數據挖掘的一般步驟

空間數據挖掘系統大致可以分為以下步驟：

（1）空間數據准備：選擇合適的多種數據來源，包括地圖數據、影像數據、地形數據、屬性數據等。

（2）空間數據預處理和特徵提取：數據預處理目的是去除數據中的雜訊，包括對數據的清洗、數據的轉換、數據的集成等。特徵提取是剔除掉冗餘或不相關的特徵並將特徵轉化為適合數據挖掘的新特徵。

（3）空間數據挖掘和知識評估：採用空間數據挖掘技術對空間數據進行分析處理和預測，從而發現數據背後的某種聯系。然後結合具體的領域知識進行評估，看是否達到預期效果。

2.空間數據挖掘的方法研究

空間數據挖掘是一門綜合型的交叉學科，結合了計算機科學、統計學、地理學等領域的很多特性，產生了大量處理空間數據的挖掘方法。

2.1 空間關聯規則

關聯規則挖掘是尋找數據項之間的聯系，表達式形式是X→Y，其中X與Y是兩種不相交的數據項集，即X∩Y=？覫。KOPERSKI K等人將關聯規則與空間資料庫相結合，提出了空間關聯規則挖掘[2]。空間關聯規則將數據項替換為了空間謂詞，一般表達形式如下：

A1∧A2∧…∧An→B1∧B2∧…∧Bm（3）

令A=（A1，A2，…，An），B=（B1，B2，…，Bm），A和B分別表示Ai和Bj的謂詞集合，A和B可以是空間謂詞或非空間謂詞，但是必須至少包含一個空間謂詞且A∩B=？覫。SHEKHAR S和HUANG Y針對空間關聯規則的特點提出了把關聯規則的思想泛化成空間索引點集的空間同位規則的概念，在不違背空間相關性的同時用鄰域替換掉了事務[3]。時空關聯不僅涉及事件在空間中的關聯，還考慮了空間位置和時間序列因素。國內的柴思躍、蘇奮振和周成虎提出了基於周期表的時空關聯規則挖掘方法[4]。

2.2 空間聚類

空間聚類分析是普通聚類分析的擴展，不能完全按照處理普通數據的聚類分析方法來處理空間數據。由於存在地理學第一定律，即空間對象之間都存在一定的相關性，因此在空間聚類分析中，對於簇內的定義，要考慮空間自相關這一因素。通過對空間數據進行自相關分析，可判斷對象之間是否存在空間相關性，從而可合理判斷出對象是否可以分為一簇。

基本的聚類挖掘演算法有：

（1）劃分聚類演算法：存在n個數據對象，對於給定k個分組（k≤n），將n個對象通過基於一定目標劃分規則，不停迭代、優化，直到將這n個對象分配到k個分組中，使得每組內部對象相似度大於組之間相似度。

（2）層次聚類演算法：通過將數據不停地拆分與重組，最終把數據轉為一棵符合一定標準的具有層次結構的聚類樹。

（3）密度聚類演算法：用低密度的區域對數據對象進行分割，最終將數據對象聚類成為若干高密度的區域。

（4）圖聚類演算法：用空間結點表示每個數據對象，然後基於一定標准形成若乾子圖，最後把所有子圖聚類成一個包含所有空間對象的整圖，子圖則代表一個個空間簇。

（5）網格聚類演算法：把空間區域分割成具有多重解析度的和有網格結構特性的若干網格單元，在網格單元上對數據進行聚類。

（6）模型聚類演算法：藉助一定的數學模型，使用最佳擬合數據的數學模型來對數據進行聚類，每一個簇用一個概率分布表示。

僅採用一種演算法通常無法達到令人滿意的預期結果，王家耀、張雪萍、周海燕將遺傳演算法與K-均值演算法結合提出了用於空間聚類分析的遺傳K-均值演算法[5]。現實空間環境中，存在很多像道路、橋梁、河流的障礙物，張雪萍、楊騰飛等人把K-Medoids演算法與量子粒子群演算法結合進行帶有空間障礙約束的聚類分析[6]。

2.3 空間分類

分類，簡單地說是通過學習得到一定的分類模型，然後把數據對象按照分類模型劃分至預先給定類的過程。空間分類時，不僅考慮數據對象的非空間屬性，還要顧及鄰近對象的非空間屬性對其類別的影響，是一種監督式的分析方法。

空間分類挖掘方法有統計方法、機器學習的方法和神經網路方法等。貝葉斯分類器是基於統計學的方法，利用數據對象的先驗概率和貝葉斯公式計算出其後驗概率，選擇較大後驗概率的類作為該對象映射的類別。決策樹分類器是機器學習的方法，採取從上到下的貪心策略，比較決策樹內部節點的屬性值來往下建立決策樹的各分支，每個葉節點代表滿足某個條件的屬性值，從根節點到葉節點的路徑表示一條合適的規則。支持向量機也是機器學習的方法，思路是使用非線性映射把訓練數據集映射到較高維，然後尋找出最大邊緣超平面，將數據對象分類。神經網路是一種模擬人神經的網路，由一組連接的輸入和輸出單元組成，賦予各個連接相應的權值，通過調節各連接的權值使得數據對象得到正確分類。

針對融入空間自相關性的空間分類挖掘，SHEKHAR S等人使用空間自回歸模型和基於貝葉斯的馬可夫隨機場進行空間分類挖掘[7]，汪閩、駱劍承、周成虎等人將高斯馬爾可夫隨機場與支持向量機結合並將其用於遙感圖像的信息提取[8]。

2.4 其他空間挖掘方法

空間數據挖掘的方法多種多樣，其他還包括：空間分析的方法，即利用GIS的方法、技術和理論對空間數據進行加工處理，從而找出未知有用的信息模式；基於模糊集、粗糙集和雲理論的方法可用來分析具有不確定性的空間數據；可視化方法是對空間數據對象的視覺表示，通過一定技術用圖像的形式表達要分析的空間數據，從而得到其隱含的信息；國內張自嘉、岳邦珊、潘琦等人將蟻群演算法與自適應濾波的模糊聚類演算法相結合用以對圖像進行分割[9]。

3.結論

空間數據挖掘作為數據挖掘的延伸，有很好的傳統數據挖掘方法理論的基礎，雖然取得了很大進步，然而其理論和方法仍需進一步的深入研究。伴隨著大數據時代，面對越來越多的空間數據，提升數據挖掘的准確度和精度是一個有待研究的問題。同時現在流行的空間數據挖掘演算法的時間復雜度仍停留在O（nlog（n））~O（n3）之間，處理大量的異構數據，數據挖掘演算法的效率也需要進一步提高。數據挖掘在雲環境下已經得到很好的應用[10]，對於處理空間數據的空間雲計算是有待學者們研究的方向。大多數空間數據挖掘演算法沒有考慮含有障礙約束的情況，如何解決現實中障礙約束問題值得探討。帶有時間屬性的空間數據呈現出了一種動態、可變的空間現象，時空數據挖掘將是未來研究的重點。

由於數據挖掘涉及多種學科，其基本理論與方法也已經比較成熟，針對空間數據挖掘，如何合理地利用和拓展這些理論方法以實現對空間數據的挖掘仍將是研究人員們需要長期努力的方向。

參考文獻

[1] 李德仁，王樹良，李德毅.空間數據挖掘理論與應用（第2版）[M].北京：科學出版社，2013.

[2] KOPERSKI K， HAN J W. Discovery of spatial association rules in geographic information databases[C]. Procedings of the 4th International Symposium on Advances in Spatial Databases， 1995： 47-66.

[3] SHEKHAR S， HUANG Y. Discovering spatial co-location patterns： a summary of results[C]. Procedings of the 7th International Symposium on Advances in Spatial and Temporal Databases， 2001：236-256.

[4] 柴思躍，蘇奮振，周成虎．基於周期表的時空關聯規則挖掘方法與實驗[J]．地球信息科學學報，2011，13（4）：455-464.

[5] 王家耀，張雪萍，周海燕.一個用於空間聚類分析的遺傳K-均值演算法[J].計算機工程，2006，32（3）：188-190.

[6] Zhang Xueping， Du Haohua， Yang Tengfei， et al. A novel spatial clustering with obstacles constraints based on PNPSO and K-medoids[C]. Advances in Swarm Intelligence， Lecture Notes in Computer Science （LNCS）， 2010： 476-483.

[7] SHEKHAR S， SCHRATER P R， VATSAVAI R R， et al．Spatial contextual classification and prediction models for mining geospatial data[J]． IEEE Transactions on Multimedia， 2002， 4（2）：174-187.

[8] 汪閩，駱劍承，周成虎，等.結合高斯馬爾可夫隨機場紋理模型與支撐向量機在高解析度遙感圖像上提取道路網[J].遙感學報，2005，9（3）：271-275.

[9] 張自嘉，岳邦珊，潘琦，等.基於蟻群和自適應濾波的模糊聚類圖像分割[J].電子技術應用，2015，41（4）：144-147.

[10] 石傑.雲計算環境下的數據挖掘應用[J].微型機與應用，2015，34（5）：13-15.

來源 | AET電子技術應用

⑦ 蟻群演算法的應用范圍

蟻群演算法的應用非常廣泛，包括：數據挖掘，模糊建模，群體智能，聚類分析，網路路由優化，物流配送車輛調度及無線感測器網路。其中的應用都有很多成功的實例。