14、算法研究：蚁群优化、杂草入侵优化与贫血分类的数据挖掘应用

算法研究：蚁群优化、杂草入侵优化与贫血分类的数据挖掘应用

1. 蚁群优化算法（ACO - LS）与混合遗传算法（HGA）对比

在解决相关问题时，贪婪启发式算法是一种最优近似解，而Hedar等人还提出了混合遗传算法。经过研究发现，蚁群优化与局部搜索相结合的算法（ACO - LS）在几乎所有情况下都能给出最佳的基数。

1.1 性能对比

对比项目	ACO - LS算法	混合遗传算法（HGA）
基数表现	几乎所有情况下给出最佳基数	-
运行时间	多数情况与HGA相当，部分情况更优；处理大的UDG实例时比HGA耗时多，但生成解的数量是HGA的两倍	-

1.2 结论

综合来看，ACO - LS实际上比HGA快很多。同时，那种基于信息素和节点度等启发式方法来计算节点在蚂蚁随机游走中被包含的概率的蚁群算法，其性能不如这里介绍的局部搜索算法。因此，使用带有最小化启发式的标准蚁群算法能获得最佳解决方案。

2. 基于入侵杂草优化算法的自动聚类

2.1 聚类概述

聚类是将未标记的数据集划分为相似元素组的过程。每个组即“簇”，簇内元素相似，与其他簇的元素不同。为了从