基于最优适值保留的蚁群文本聚类算法

计算机工程与科学 ›› 2010, Vol. 32 ›› Issue (5): 79-81.

基于最优适值保留的蚁群文本聚类算法

刘晓勇

(1.中国科学院文献情报中心，北京 100190；2.广东技术师范学院计算机科学学院，广东广州 510665；
3.中国科学院研究生院，北京 100049)

收稿日期:2009-11-15 修回日期:2010-02-09 出版日期:2010-04-28 发布日期:2010-05-11
通讯作者: 刘晓勇 E-mail:liugucas@gmail.com
作者简介:刘晓勇（1979），男，河南信阳人，博士生，讲师，研究方向为文本挖掘和智能优化算法。
基金资助:
广东省高校优秀青年创新人才培育基金资助项目（LYM08074）;广东技术师范学院自然科学基金资助项目（08kjy02）

Text Clustering Algorithm with Ant Colony Based on the Best Solution Kept

LIU Xiaoyong

(1.National Science Library,Chinese Academy of Sciences,Beijing 100190;
2.Department of Computer Science,Guangdong Polytechnic Normal University,Guangzhou 510665;
3.Graduate School,Chinese Academy of Sciences,Beijing 100049,China)

Received:2009-11-15 Revised:2010-02-09 Online:2010-04-28 Published:2010-05-11
Contact: LIU Xiaoyong E-mail:liugucas@gmail.com

摘要/Abstract

摘要：

蚁群聚类最早是由Deneubourg提出的一种仿生聚类方法，在聚类分析中得到广泛应用。本文在该算法的基础上提出一种基于精英适值保留的蚁群聚类算法，在一般蚁群聚类算法中引入精英保留机制，在每次算法的迭代中保留一定数量的优良解进入到下一次的循环中，以期提高算法的性能。为了验证算法的有效性，本文选择了两个数据集：数值数据集（iris）和一个文本数据集，用两个外部评价指标进行评判。实验结果表明，新算法的性能能够得到有效提高。

关键词: 文本聚类, 蚁群算法, 蚁群聚类, 文本挖掘

Abstract:

Clustering analysis with ant colony optimization (ACO) is presented by Deneubourg in 1991 and has been used widely. In this paper, a mechanism of the best solution kept is presented to improve the performance of clustering analysis with ACO further. Two indices are chosen to valide the new algorithm. Two experiments in the datasetIris and the text dataset show that the new algorithm has better performance.

Key words: text clustering, ant colony algorithm, clustering with ACO, text mining

中图分类号:

TP18

刘晓勇. 基于最优适值保留的蚁群文本聚类算法[J]. 计算机工程与科学, 2010, 32(5): 79-81.

LIU Xiaoyong. Text Clustering Algorithm with Ant Colony Based on the Best Solution Kept[J]. Computer Engineering & Science, 2010, 32(5): 79-81.

[1]	乔珍, 尹传忠, 仇鑫. 基于改进蚁群算法的长航程无人船路径规划[J]. 计算机工程与科学, 2024, 46(10): 1835-1842.
[2]	顾楚梅, 曹建军, 王保卫, 徐雨芯, . 基于蚁群参数优化的LightGBM辐射源个体识别[J]. 计算机工程与科学, 2023, 45(01): 85-94.
[3]	赵广元, 赵英. 基于改进蚁群优化算法的养殖场机器人路径规划[J]. 计算机工程与科学, 2022, 44(05): 910-915.
[4]	周忠宝, 朱文静, 王皓, 郭修远, 王立峰. 基于弹幕文本挖掘的社交媒体KOL研究[J]. 计算机工程与科学, 2022, 44(03): 521-529.
[5]	刘雨青, 向军, 曹守启. 基于改进蚁群算法的水下自主航行机器人路径规划[J]. 计算机工程与科学, 2022, 44(03): 536-544.
[6]	胡平志, 李泽滔. 基于改进蚁群算法的四足机器人步态规划[J]. 计算机工程与科学, 2021, 43(12): 2253-2262.
[7]	宋阿妮, 包贤哲. 精英扩散蚁群优化算法求解运输无人机三维路径规划[J]. 计算机工程与科学, 2021, 43(10): 1891-1900.
[8]	武国胜, 张月琴. 基于LSA模型的改进密度峰值算法的微学习单元文本聚类研究[J]. 计算机工程与科学, 2020, 42(04): 722-732.
[9]	马贵平, 潘峰. 基于改进蚁群算法的物流运输路径研究[J]. 计算机工程与科学, 2020, 42(03): 523-528.
[10]	曹新亮, 王智文, 冯晶, 查敏, 王宇航. 基于改进蚁群算法的机器人全局路径规划研究[J]. 计算机工程与科学, 2020, 42(03): 564-570.
[11]	张卫祥，齐玉华，魏波，张敏，窦朝晖. 基于蚁群算法的测试用例优先排序[J]. 计算机工程与科学, 2020, 42(02): 241-249.
[12]	喻小惠1，张晶1,2，陶涛3，龚力波4，黄云明1，傅铁威1. 基于蚁群策略的无线传感器网络能耗均衡分簇算法[J]. 计算机工程与科学, 2019, 41(07): 1197-1202.
[13]	郑延斌1,2，王林林1，席鹏雪1，樊文鑫1，韩梦云1. 动态环境下改进蚁群算法的多Agent路径规划[J]. 计算机工程与科学, 2019, 41(06): 1078-1085.
[14]	吴尚智1，张文超2，佘志用1，张霞1，段超1. 利用蚁群优化算法的粗糙集属性约简方法[J]. 计算机工程与科学, 2019, 41(03): 538-544.
[15]	覃远年，梁仲华. 蚁群算法研究与应用的新进展[J]. 计算机工程与科学, 2019, 41(01): 173-184.