蚁群聚类算法matlab

clc;
clf;
clear;
 % X = 测试样本矩阵;

X = load（‘data1.TXT‘）;
[Nn]=size（X）;      % N =测试样本数;n =测试样本的属性数;
K = 4;              % K = 组数; 
R = 100;            % R = 蚂蚁数; 
t_max = 1000;       % t_max =最大迭代次数;           
% 初始化
c = 10^-2;
tau = ones（NK） * c;    %信息素矩阵，初始值为0.01的N*K矩阵（样本数*聚类数）
q = 0.9;                % 阈值q
rho = 0.1;              % 蒸发率
best_solution_function_value = inf; % 最佳路径度量值（初值为无穷大，该值越小聚类效果越好）
tic                     %计算程序运行时间
t = 1; 
%=======程序终止条件（下列两个终止条件任选其一）======
% while （（t<=t_max））                             %达到最大迭代次数而终止
% while （（best_solution_function_value>=19727））  %达到一定的聚类效果而终止
while （（best_solution_function_value>=19727））    
%========================= 
    %路径标识字符：标识每只蚂蚁的路径
    solution_string = zeros（RN+1）;     
    for i = 1 : R                       %以信息素为依据确定蚂蚁的路径
        r = rand（1N）;    %随机产生值为0-1随机数的1*51的数组
        for g = 1 : N
            if r（g） < q     %如果r（g）小于阈值
                tau_max = max（tau（g:））;
                Cluster_number = find（tau（g:）==tau_max）;   %聚类标识数，选择信息素最多的路径
                solution_string（ig） = Cluster_number（1）;   %确定第i只蚂蚁对第g个样本的路径标识
            else            %如果r（g）大于阈值求出各路径信息素占在总信息素的比例，按概率选择路径
                sum_p = sum（tau（g:））; 
                p = tau（g:） / sum_p; 
                for u = 2 : K 
                    p（u） = p（u） + p（u-1）; 
                end
               rr = rand;          
                for s = 1 : K 
                    if （rr <= p（s）） 
                       Cluster_number = s;
                       solution_string（ig） = Cluster_number;  
                    break; 
                end 
            end
        end
    end

    % 计算聚类中心
    weight = zeros（NK）;
       for h = 1:N              %给路径做计算标识
           Cluster_index = solution_string（ih）; %类的索引编号          
           weight（hCluster_index） = 1;          %对样本选择的类在weight数组的相应位置标1
       end

       cluster_center = zeros（Kn）;  %聚类中心（聚类数K个中心）
       for j = 1:K
           for v = 1:n
               sum_wx = sum（weight（:j）.*X（:v））;   %各类样本各属性值之和
               sum_w = sum（weight（:j））;            %各类样本个数
               if sum_w==0                          %该类样本数为0，则该类的聚类中心为0
                 cluster_center（jv） =0
                  continue;
               else                                 %该类样本数不为0，则聚类中心的值取样本属性值的平均值
               cluster_center（jv） = sum_wx/sum_w;
               end
            end
       end

    % 计算各样本点各属性到其对应的聚类中心的均方差之和，该值存入solution_string的最后一位
      F = 0;
      for j= 1:K
          for ii = 1:N
              Temp=0;
              if solution_string（iii）==j;                
                  for v = 1:n
                      Temp = （（abs（X（iiv）-cluster_center（jv）））.^2）+Temp;
                  end
                  Temp = sqrt（Temp）;
              end
            F = （Temp）+F;
          end        
      end

       solution_string（iend） = F;