从大量的已知数据中挖掘出隐含在其内的、潜在的、有用的信息和知识的技术即为数据挖掘。聚类作为数据挖掘领域中一个活跃的研究课题,是分析数据并从中发现有用信息的一种重要手段。已存在的聚类算法中,蚁群聚类算法是群体智能算法在聚类中应用的产物,它主要是根据蚁群尸体堆积和寻找食物源这两种群体行为启发而来。LF聚类算法便是产生于尸体堆积的行为模型,蚂蚁会将死亡的蚂蚁堆积成堆。本文对传统的基于蚁穴清理的LF算法进行了深入的研究与分析,并提出了改进算法,做的主要工作如下。(1)概述了近年来有关蚁群聚类算法的改进以及应用。详细介绍了不同蚁群聚类算法的工作原理与算法模型,并比较了两种不同模型的优劣,为文章的改进算法做了理论基础的铺垫。(2)针对传统的LF蚁群聚类算法中存在的收敛速度慢,蚂蚁空载导致的资源浪费以及易陷入局部最优等问题,提出了一种蚁群改进算法。算法初期采用直接分配原则,直接将蚂蚁随机放在数据对象上,并生成随机的全局记忆,在聚类时负载蚂蚁移动受到全局记忆的指导,利用余弦相似度判断最相似的记忆中心,并向该记忆中心移动,全局记忆在一次迭代完成后更新。当蚂蚁拾起数据对象失败时,采用相异原则将蚂蚁移动到下一个数据对象上。实验结果表明:新算法在保证原有算法准确率的基础上明显提高了收敛速度。(3)为了改进LF算法参数依赖过多,算法初期迭代速度慢等不足,提出了一种信息熵的全局记忆的LF蚁群聚类算法。新算法引入了信息熵的概念改变了原有LF算法中蚂蚁判断拾起或放下数据对象的规则,避免了传统规则中产生随机数对算法的效率及稳定性产生的影响,最后在算法运行的不同时期加入不同的邻域半径。实验结果表明:新算法能有效的减少参数依赖,提高了算法的稳定性。