В работе рассматриваются модификации метода муравьиных колоний ACO-Based Clustering и Medoid-Based ACO Clustering, предназначенные для решения задачи классификации. В модификациях муравьи-агенты определяют оптимальный путь в параметрическом графе, в котором для каждого объекта классификации создается слой вершин с указанием, к какому кластеру точка принадлежит. Путь в таком графе позволяет определить кластер для каждого объекта. Целевой функцией для метода муравьиных колоний для решения задачи классификации может служить средняя внутрикластерная плотность, силуэтный коэффициент или внутригрупповая дисперсия. Такой подход позволяет определять кластеры для объектов с целью минимизации целевой функции. Алгоритм Medoid-Based ACO Clustering использует медоиды, центрами кластеров являются конкретные объекты из датасета, а не центроиды, аналогичные алгоритмам ACO-Based Clustering и k-means. Исследуется влияние параметров модификации Medoid-Based ACO Clustering на эффективность кластеризации тестового датасета make_moons из библиотеки scikit-learn. Сравнение проводилось с классификацией методом k-means. На основе полученных результатов проведена классификация авиационных маршрутов гражданской авиации, обеспечивающих пассажирские перевозки по критериям: количество пассажиров в месяц, расстояние между городами и длительность рейса. Для рассмотренной классификации вычислено оптимальное значение кластеров: 3 или 5 различных групп авиационных маршрутов.

The paper discusses modifications of the ant colony method ACO-Based Clustering and Medoid-Based ACO Clustering designed to solve the classification problem. In modifications, agent ants determine the optimal path in a parametric graph, in which for each classification object a layer of vertices is created indicating which cluster the point belongs to. The path in such a graph allows you to define a cluster for each object. The objective function for the ant colony method for solving a classification problem can be the average intra-cluster density, silhouette coefficient or intra-group variance. This approach allows you to define clusters for objects in order to minimize the objective function. The Medoid-Based ACO Clustering algorithm uses honeymoys, the centers of the clusters are specific objects from the dataset, and not centroids, similar to the ACO-Based Clustering and k-means algorithms. The influence of Medoid-Based ACO Clustering modification parameters on the clustering efficiency of the make_moons test dataset from the scikit-learn library is investigated. Comparisons were made with k-means classification. Based on the results obtained, a classification of civil aviation routes providing passenger transportation was carried out according to the following criteria: number of passengers per month, distance between cities and flight duration. For the considered classification, the optimal value of clusters was calculated: 3 or 5 different groups of air routes.