一种基于蚁群算法的K-means算法——在公路运输枢纽宏观布局规划中的应用

被引:7
作者
孟岩
刘希玉
刘艳丽
机构
[1] 山东师范大学管理与经济学院
关键词
K-means算法; 蚁群聚类算法; 公路运输; 主枢纽城市;
D O I
暂无
中图分类号
TP301.6 [算法理论];
学科分类号
081202 ;
摘要
公路运输的发展有效促进了我国经济持续、快速的发展,但公路建设和运输枢纽建设呈现出不平衡性。因此需采用聚类分析对公路主枢纽城市进行聚类,划分层次来进行功能分析。K-means算法是聚类分析中使用最为广泛的算法之一,但算法具有初始中心点和聚类个数不确定等方面的缺点。针对其缺点,提出将基于蚁群算法的K-means算法应用于在公路运输枢纽布局规划中。实验结果表明,与单独使用两种算法相比,该算法更能有效地解决公路主枢纽城市的聚类问题。
引用
收藏
页码:179 / 182
页数:4
相关论文
共 8 条
[1]   文本聚类技术的有效性验证 [J].
刘务华 ;
罗铁坚 ;
王文杰 .
计算机工程, 2007, (01) :209-211
[2]   基于K-means聚类算法的分析及应用 [J].
石云平 ;
辛大欣 .
西安工业大学学报, 2006, (01) :45-48
[3]   一种基于蚁群算法的模糊C均值聚类 [J].
周新华 ;
黄道 .
控制工程, 2005, (02) :132-134
[4]   SOFM神经网络在物流中心城市分类评价中的应用 [J].
赵闯 ;
刘凯 ;
李电生 .
中国公路学报, 2004, (04) :122-125
[5]   聚类分析在公路运输枢纽宏观布局规划中的应用 [J].
胡大伟 ;
闫光辉 .
公路交通科技, 2004, (09) :136-139+144
[6]   一种选取初始聚类中心的方法 [J].
刘立平 ;
孟志青 ;
不详 .
计算机工程与应用 , 2004, (08) :179-180
[7]   一种进化聚类学习新方法 [J].
杨欣斌 ;
孙京诰 ;
黄道 ;
不详 .
计算机工程与应用 , 2003, (15) :60-62
[8]  
数据挖掘[M]. 机械工业出版社 , (加)JiaweiHan, 2001