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

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (1): 179-182.

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

孟岩,刘希玉,刘艳丽

山东师范大学管理与经济学院，济南 250014

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-01 发布日期:2008-01-01
通讯作者: 孟岩

Application of K-means algorithm in macroscopic planning of highway transportation hub based on ant clustering algorithm

MENG Yan,LIU Xi-yu,LIU Yan-li

Dept. of Management and Economy，Shandong Normal University，Ji’nan 250014，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-01 Published:2008-01-01
Contact: MENG Yan

摘要/Abstract

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。

关键词: K-means算法, 蚁群聚类算法, 公路运输, 主枢纽城市

Abstract: Development of highway transportation promotes sustainable and rapid development in economy of our country effectively.But construction of highway and transportation hub shows the nature of imbalance.So highway main hub cities must be clustered using cluster analysis，and then divided level in order to functional analyze.K-means algorithm is the most widely used algorithm in clustering analysis，which clustering numbers and initial clustering center are uncertain.This paper proposes application of K-means algorithm in macroscopic planning of highway transportation hub based on ant clustering algorithm.The experimental results show this algorithm can more effectively solve clustering problem than K-means algorithm and ant clustering algorithm.

Key words: K-means algorithm, ant clustering algorithm, highway transportation, main hub city

孟岩,刘希玉,刘艳丽. 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
[J]. 计算机工程与应用, 2008, 44(1): 179-182.

MENG Yan,LIU Xi-yu,LIU Yan-li. Application of K-means algorithm in macroscopic planning of highway transportation hub based on ant clustering algorithm[J]. Computer Engineering and Applications, 2008, 44(1): 179-182.

[1]	李家斌，何世伟，刁丹丹，靳国伟，郭小乐. 物流包装租赁系统配送库存路径模型与算法[J]. 计算机工程与应用, 2021, 57(22): 263-272.
[2]	潘成胜，张斌，吕亚娜，杜秀丽，邱少明. 改进灰狼优化算法的K-Means文本聚类[J]. 计算机工程与应用, 2021, 57(1): 188-193.
[3]	王子龙，李进，宋亚飞. 基于距离和权重改进的K-means算法[J]. 计算机工程与应用, 2020, 56(23): 87-94.
[4]	张震，李浩方，李孟州. YOLO算法在安检异常图像中的研究[J]. 计算机工程与应用, 2020, 56(21): 187-193.
[5]	李峰，李明祥，张宇敬. 局部迭代的快速K-means聚类算法[J]. 计算机工程与应用, 2020, 56(13): 63-71.
[6]	王昕宇，罗可. 具有全局记忆的LF蚁群聚类算法[J]. 计算机工程与应用, 2019, 55(20): 52-57.
[7]	马菁1，2，李力3. RDD上扩展索引层优化的分布式K-means算法[J]. 计算机工程与应用, 2019, 55(1): 161-167.
[8]	向程谕，王冬丽，周彦，李雅芳. 基于RGB-D融合特征的图像分类[J]. 计算机工程与应用, 2018, 54(8): 178-182.
[9]	陈庆虎，周小丹，鄢煜尘. 基于字符图像分割的打印文件识别方法[J]. 计算机工程与应用, 2018, 54(7): 170-175.
[10]	王彬宇1，刘文芬2，胡学先1，魏江宏1. 基于余弦距离选取初始簇中心的文本聚类研究[J]. 计算机工程与应用, 2018, 54(10): 11-18.
[11]	白树仁1，2，陈龙2. 自适应K值的粒子群聚类算法[J]. 计算机工程与应用, 2017, 53(16): 116-120.
[12]	邱云飞，赵彬，林明明，王伟. 结合语义改进的K-means短文本聚类算法[J]. 计算机工程与应用, 2016, 52(19): 78-83.
[13]	欧慧，夏卓群，武志伟. 基于改进流形距离的粗糙集k-means聚类算法[J]. 计算机工程与应用, 2016, 52(14): 84-89.
[14]	何云斌1，刘雪娇1，王知强2，万静1，李松1. 基于全局中心的高密度不唯一的K-means算法研究[J]. 计算机工程与应用, 2016, 52(1): 48-54.
[15]	党小超1，2，毛鹏鑫1，郝占军1，2. 基于快速求解高斯混合模型的流量聚类算法[J]. 计算机工程与应用, 2015, 51(8): 96-101.