文档介绍：学校代号: 学号: 密级: 10536 0910803690 公开长沙理工大学硕士学位论文基于蚁群优化的聚类算法分析与研究导师姓名及职称培养单位专业名称论文提交日期论文答辩日期罗可教授长沙理工大学计算机应用技术 2012年03月 2012年05月 Y2090544 Analysis andresearch on ClusteringAlgorithm Based onAntColony Optimization by Meng Ying .(Changsha University ofScience&Technology)2009 Athesissubmitted inpartial satisfactionofthe Requirements forthedegree of Master puter Application Technology Changsha University ofScience&Technology Supervisor Professor Luo Ke March,2012 长沙理工大学学位论文原创性声明本人郑重声明:所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体,均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名:盘寺天日期:矽胗年朔≥『日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定,同意学校保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。本人授权长沙理工大学可以将本学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于 1、保密口,在年解密后适用本授权书。 2、不保密圈。(请在以上相应方框内打“√”) 作者签名: 导师签名: 耍织. 罗歹日期:功f砂年岁月≥1日日期:如Jz年岁月2二日摘要随着计算机科学技术的快速发展,特别是数据库技术的广泛应用,数据挖掘领域成为热门的研究之一。浩瀚的数据海洋隐藏着大量对人们有重要价值的信息,如果能够通过有效的数据分析,提取出有实际应用的宝贵知识,将给人们带了许多方便。聚类算法分析成为数据挖掘的重要工具,对社会的经济发展和人们的日常生活都有着深远影响。本文以聚类算法的改进为出发点,探讨了算法的不足以及改进后的优势,主要从以下几方面进行分析研究: 首先,在传统的K-medoids聚类算法基础上,本文提出了一种基于蚁群优化的 K-medoids聚类算法。ACO是一种仿生优化算法,其具有很强的健壮性,具有比较强的全局搜索能力,求解效率高等特点。借鉴ACO算法的优点,提高了聚类的准确率,并且算法的稳定性也比较高。通过仿真实验,验证了ACO-Kmcdoids聚类算法具有较强的可行性。其次,将粗糙集理论、ACO与K均值算法相结合,本文提出了一种基于ACO的粗糙集K-means聚类算法。通过ACO优化K均值算法,采用最大最小原则能动态地生成 K均值聚类数和初始聚类中心,同时结合粗糙集理论的上逼近和下逼近处理边界对象。该算法具有较高的准确率和较快的执行时间,综合性能更加稳定。再次,为了改善K-medoids聚类算法收敛时间缓慢的问题,本文提出一种基于差分演化的K-medoids聚类算法。差分演化具有启发式的全局搜索能力,算法的鲁棒性很强。因此将K-medoids聚类算法的高效性和DE算法的全局寻优能力相结合,不仅能有效地克服Komedoids聚类算法的缺点,而且提高了算法的全局优化能力,缩短了收敛时间, 改善了初始聚类质量。实验表明,该算法的稳定性较高,收敛时间较短。最后,根据云计算环境的特点,将蚁群优化的K-medoids聚类算法用到云计算环境中进行资源分配,本文提出一种基于云计算环境下的ACO—Kmedoids资源分配优化算法。该算法能够在云计算中快速、合理地路由,减少动态负荷并兼顾全局负载平衡,得到最优的计算资源,提高云计算的效率。最后通过仿真实验,分析网络带宽和节点时间延迟等因素对资源分配结果的影响,验证了此算法在云计算环境中的高效性。关键词:数据挖掘;蚁群算法;K-mcdoids聚类算法;差分演化;云计算;资源分配 ABSTRACT With therapiddevelopment puter science andtechnology,especially thewide application ofdatabase,datamining e one ofthehotresearch ofdata field,there ismuch