－5009－0引言俗话说“物以类聚，人以群分”，人们在不知不觉中进行着聚类活动，它是人们认识和探索事物之间内在联系的有效手段。
聚类在数据挖掘中有着重要的地位，它既可以用作独立的数据挖掘工具，来发现数据库中数据分布的一些深入信息，也可以作为其它数据挖掘算法的预处理步骤。
因此，聚类算法的研究具有很重要的现实意义。
蚁群算法不依赖于具体问题，具有全局优化能力，因此受到了广大学者的注意。
此后蚁群算法不断被改进并应用于不同领域。
在聚类分析方面，Deneubourg等人受蚂蚁堆积尸体和分类它们的幼体启发，最早将蚁群算法用于聚类分析，从此开始了蚁群聚类算法的研究。
本文详细地讨论了现有的蚁群聚类算法的基本原理与性能，在归纳总结的基础上提出需要完善的地方，以推动蚁群聚类算法的进一步研究及在更广阔的领域内得到应用。
1聚类概念及数学模型聚类就是把一组个体按照相似性归为若干类或簇，使得属于同一类或簇的个体之间的差别尽可能的小，而不同类或簇的个体间的差别尽可能大。
聚类质量是用对象的相异度来评估，而不同类型变量的相异度的计算方法是不同的，常用的度量方法是区间标度变量中的欧几里得距离。
聚类的数学描述：设样本集={,=1,2,…,}，其中为维模式向量，其聚类问题就是找到一个划分={1,2,…,}，满足==1，≠，=，,=1,2,…,，≠，且使得总的类内离散度和==1,最小，其中为的聚类中心，=1,2,…,；,为样本到其聚类中心的距离，即,=‖‖。
聚类目标函数为各样本到对应聚类中心的距离总和，聚类中心=1，||为的样本数目。
2蚁群聚类算法分类及应用由于现实的蚁群运动过程接近于实际的聚类问题，所以近年来涌现出大量的蚁群聚类算法。
这些算法不仅思想、原理不同，而且算法的特性也根据解决问题的不同而不同，如初始参数及待聚类数据的要求、聚类形状等。
根据改进方式的不同，蚁群聚类算法可分3类：①基于蚂收稿日期：2007-10-17 E-mail：05lihua@作者简介：裴振奎(1962－)，男，山东东营人，博士研究生，副教授，硕士生导师，研究方向为机器学习与计算智能；李华(1977－)，女，山东滨州人，硕士研究生，研究方向为数据挖掘、自然计算；宋建伟(1982－)，女，河北廊坊人，硕士研究生，研究方向为网络安全、计算智能；韩锦峰(1981－)，女，山西大同人，硕士研究生，研究方向为计算智能、数据库系统理论。
