【蚁群FCM】基于蚁群算法的模糊聚类matlab仿真

1.软件版本

MATLAB2013b

2.本算法理论知识

       用FMC 算法实现基于目标函数的模糊聚类又称交替的迭代优化法。迭代优化本质上属于局部搜索的爬山法，很容易陷入局部极值点，因此对初始化很敏感。通常是根据一定的经验准则选取初始参数，这样计算结果与初始参数设置是否恰当密切相关。特别是在数据量较大和高维情况下，设置合理的参数非常困难，只能通过多次实验比较选定。由于初始聚类中心和样本的输入次序对最终的结果有重大影响，往往是用若干不同的初始中心和聚类数目分别聚类，然后选择最满意的聚类作为最终的结果。 通过蚁群算法，我们可以得到最佳的初始聚类中心，然后进行快速的聚类。

3.部分核心代码

clc;
clear;
close all;
warning off;
pack;
addpath 'func\'

%模拟数据
MAX_ITER  = 1000;%最大迭代次数
Class_Num = 5;  %样本类别数
Nums      = 100 ;%样本数目
seek      = 2;  %数据类别
figure;
POS       = func_node_gen(Class_Num,Nums,seek);
%数据
data      = POS(:,1:2);

%首先进行蚁群算法进行优化，获得最佳的初始聚类中心点
cluster_center = func_ant_opt(data,Class_Num);

%通过模糊聚类算法进行聚类
[U,P]=func_FCM(data,cluster_center,Class_Num,MAX_ITER);


%两个算法的对比
figure;
load result.mat
plot(Obj_Fcn(2:end),'b-','LineWidth',2);
hold on;
load ..\FCM\result.mat
plot(Obj_Fcn(2:end),'r-','LineWidth',2);
hold off
legend('蚁群FCM','FCM');
axis([0,400,105,125]);
grid on;
xlabel('迭代次数');
ylabel('聚类误差值');







 

4.操作步骤与仿真结论

 

 

两个算法对比如下所示：

 

通过对比可知，改进后的算法性能明显提升了。

5.参考文献

[1]苗京, 黄红星, 程卫生,等. 基于蚁群模糊聚类算法的图像边缘检测[J]. 武汉大学学报：工学版, 2005, 38(5):4.A06-11