1、數(shù)據(jù)挖掘是從大量的、不完全的、有噪音的、隨機的數(shù)據(jù)中獲取潛在的、有用的信息和知識的過程。聚類分析是數(shù)據(jù)挖掘重要的組成部分,它是一種無監(jiān)督的學(xué)習(xí)方法,不需要關(guān)于數(shù)據(jù)集的先驗知識。聚類算法就是根據(jù)事物之間的某些屬性,把事物聚集成類,使得不同類中的事物盡可能的相異,而同一類中的事物盡可能的相似。聚類分析已經(jīng)被廣泛地應(yīng)用于生活中的各個領(lǐng)域。
　　 K均值聚類是典型的劃分聚類,它因為實現(xiàn)簡單,效率高而被廣泛的應(yīng)用,但該算法存在著需要事先給

2、定簇個數(shù)、對初始中心點選擇的依賴性和容易陷入局部最優(yōu)解等問題。調(diào)和K均值算法(KHM)雖然有效減小了對初始中心點選擇的依賴性,但它仍需要事先給定簇個數(shù)且容易陷入局部最優(yōu)結(jié)果。針對以上問題,本文提出新算法結(jié)合蟻群算法的調(diào)和K均值算法(ACAKHM),引入了蟻群算法,蟻群算法的特點是可自主聚類,不需要給定簇個數(shù),且它是全局尋優(yōu)的啟發(fā)式隨機搜索算法,有較強的魯棒性,易于與其他算法相結(jié)合。
　　 新算法充分利用了蟻群算法和調(diào)和K均值聚類