1. 研究目的与意义及国内外研究现状

从上世纪90年代以来,随着互联网和信息技术的大规模普及和应用,特别是数据库技术的迅猛发展,教育、商业、工业、科学研究、医疗保健等各行各业所产生的数据量正呈现出一种指数增长的趋势。虽然人们已经可以非常方便的获取和存储大量的数据,但是在面对海量数据的时候,人们往往不能够再利用传统的信息处理、分析工具对所获得的数据之间的内在关系和一些隐含的信息进行深入的探索,例如利用管理信息系统对数据进行简单的查询、统计等。海量数据带来的不仅仅是越来越复杂的信息处理过程和冗长的处理周期,还造成了“丰富的数据,贫乏的信息”这一局面。人们对于能够智能地、自动地把数据转化成有用的信息或知识的技术和工具的迫切需求,促使了数据挖掘技术的诞生和发展。如何从大量的数据中提取出潜在的、隐藏的规则,并用其来发现有用的、准确的、可理解的信息,己经成为了当今数据挖掘和信息论领域中的热点问题之一。

数据分类是数据挖掘领域中的一种重要的分析手段^[1],,它通过提取出现有数据中的规则来描述数据的类别,并以此来预测未知的数据和信息。数据分类的目的就是从一堆事务或对象当中判断出某一事物或对象的类别。特别是在当今数据量庞大的网络信息时代,数据分类的重要性愈加突出。人们可以利用数据分类工具对海量的数据进行处理,从中提取出有助于决策的信息和知识,从而使得人们减轻甚至摆脱“信息贫乏”的窘境。

蚁群算法（ant colony optimization）是由意大利学者dorigo m在1991年提出的一种模拟自然界中蚂蚁集体寻找路径的行为而提出的一种基于种群的启发式仿生进化算法,目前已被应用到许多问题的解决中并取得了很好的效果。如：将蚁群算法改进后应用于求解连续的优化问题、智能交通、电信路由控制、机器人的路径选择以及图像分割中等的分析手段^[2]。

2. 研究的基本内容

1、理解蚁群算法的研究背景、基本原理、算法流程，掌握算法中各基本算子常用的实现方法，总结与其他进化算法相比，蚁群算法的特点、应用领域和国内外研究现状（包括目前已有的改进方法）。

2、总结数据分类问题的国内外研究现状，了解应用于数据分类问题常用的方法，比较现有的几种常用方法的优缺点，分析蚁群算法解决该类问题的优势。

3、掌握蚁群算法的基本流程，采用matlab软件编程实现蚁群算法，并在标准测试问题中验证所实现算法的有效性；讨论单一参数变化时对算法性能的影响

3. 实施方案、进度安排及预期效果

一．实行方案与论文提纲：

采用目前工程计算领域较为常用的软件matlab 实现蚁群算法，建立数据分类模型，与此同时，引入约束机制并对数据分类算法进行必要的改进，通过多次仿真和实验分析量子蚁群算法中的信息激素的启发因子、自启发量因子、信息激素残留系数等参数的取值对系统性能的影响。

1.蚁群算法

4. 参考文献

[1] han j,kamber m.《data mining concepts and techniques》[m]. 北京：高等教育出版社，2001.

[2] 张宏达,郑全弟. 基于蚁群算法的tsp的仿真与研究[j]. 航空计算技术, 2005, 4(35): 103-106.

[3] parpinelli rs, lopes hs, freitas aa. data mining with an ant colony optimization algorithm. ieee transactions on evolutionary computation,2002,6(4): 321-332.