基于蚁群算法的聚类分析在学生成绩评价中的应用研究

《基于蚁群算法的聚类分析在学生成绩评价中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、国内图书分类号：TP399国际图书分类号：004年姓西南交通大学研究生学位论文级2010申请学位级别亟±堂僮．专业塾直撞丕堂指导老师遏垩逸二。一三年三月十八日密级：公开ClassifiedIndex：TP399U．D．C：004SouthwestJiaotongUniversityMasterDegreeThesisTHECLUSTEI洲GANALYSISBASEDONANTCOLONYALGORITHMAPPLIEDINTHEE、乃～LUATIONOFSTUDENTACHIEVEMENTGrade：2010Candidate：FUXiAcademicDegreeApp

2、liedfor：MasterDegreeSpecialty：EducationalTechnologySupervisor：FengJunhuan西南交通大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权西南交通大学可以将本论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复印手段保存和汇编本学位论文。本学位论文属于1．保密口，在年解密后适用本授权书；2．不保密可，使用本授权书。(请在以上方框内打“√”)学位敝储勰情吼训弓．涨指导

3、老师签名：三兰马日期：．№一．专尊阻西南交通大学硕士学位论文主要工作(贡献)声明本人在学位论文中所做的主要工作或贡献如下：1．对数据挖掘和群体智能进行概述，详细介绍数据挖掘中的聚类分析和群体智能中的经典算法——蚁群算法，实现基于蚁群算法的聚类分析。并对蚁群聚类算法进行两处改进，改进处一是设置对蚂蚁访问数据的记录，一方面保证所有数据对象都能被蚂蚁所遍历到，另一方面也防止同一数据被蚂蚁反复拾起放下，影响聚类的速度和聚类的结果；改进处-贝．1j是引入“记忆"机制，记录蚂蚁放下数据对象的历史位置，蚂蚁每次负载数据对象后不是随机性移动，而是先要访问这个“记忆库"从中寻找是否有相似

4、数据对象，以此减少蚂蚁移动的随机性来提高蚁群聚类算法的收敛速度和聚类结果的精确性。并且通过实验结果的对比证明改进具有意义。2．将蚁群聚类算法应用于学生的成绩等级评价中，包括综合成绩和成绩等级评价的挖掘，对挖掘产生的聚类结果进行详细分析，并指出传统学生成绩等级评价中存在的弊端，提出根据聚类结果动态的对学生成绩评价进行层次划分，使传统的等级评价更合理更加有意义。本人郑重声明：所呈交的学位论文，是在导师指导下独立进行研究工作所得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中作了明确说明

5、。本人完全了解违反上述声明所引起的一切法律责任将由本人承担。⋯一虢情勺日期．≯I'；．；．1孑西南交通大学硕士研究生学位论文第1页摘要数据挖掘是--f]从大量数据中根据特定算法挖掘潜在信息，供研究者进行分析的技术。现在已经广泛应用于各大领域，并取得众多有价值的研究成果。聚类分析是数据挖掘的模式之一，其功能是将样本数据按照相似性规则分类，使同一类之间数据相似性高，不同类之间数据差别性大，通过聚类能刻画事物的特征性。群体智能是生物学、计算机技术等多门学科的交叉领域，是自然界中无智能或者低智能的单个个体，受群体之间的相互影响、协作能完成复杂的具有智能性任务的模式。20世纪90

6、年代意大利学者M．Dorigo等受自然界中蚂蚁能够在蚁穴与食物源之间搜索最短路径行为的启发，提出蚁群算法，成功解决了诸多组合优化问题例如旅行商、TSP问题、图着色问题等。基于蚁群算法的聚类分析因其能弥补传统聚类算法所存在的需预先设定聚类条件的不足，成为近年来研究聚类分析的一大热点。本文在Lumer和Faieta提出的蚁群聚类算法基础上提出了两点改进，一是对蚂蚁访问过的数据对象进行记录，能保证所有数据都被遍历到，同时防止同一数据被反复的拿起以及放下；二是建立一张“历史位置全局记忆库"，引导蚂蚁有目的性地较快放下所负载的数据对象，同时也能有效地避免局部最优解的出现。通过改进

7、算法与未改进算法的实验对比验证改进算法具有较好的性能，能提高聚类的收敛速度和聚类结果的准确性。最后，将改进的算法应用于学生成绩评价的挖掘中，包括学生成绩的综合评价和单科成绩的等级评价。综合成绩评价的挖掘，能够对学生的整体能力进行不同类别的宏观分析，可以帮助教务决策，供教学支持，以便于因材施教。而单科成绩的等级评价的聚类，能够弥补传统成绩等级评价方式不根据外部影响而进行灵活改变的不足，实现动态等级评价。最后根据传统的等级评价标准的结果与动态的等级评价结果的对比，印证了根据聚类算法进行动态学生成绩评价的合理性和可行性。以上两种模型的聚类分析，