在聚类问题中，还有一种情况是聚类数目为未知的。在这种问题的蚁群算法中，可以将样本视为具有不同属性的蚂蚁，聚类中心为蚂蚁要寻找的“食物源”。所以样本聚类过程就是蚂蚁寻找食物源的过程。

设X是待分类的数据集，N为样品的特征数。聚类算法过程如下：

①初始分配N个样本各自为一类，共有N类。

②计算类w_i与类w_j之间的欧氏距离：

其中，d_ij表示类i到类j之间的欧氏距离；为聚类中心向量；N_i为类w_i中样本数量。

③计算各路径上的信息素量。设r为聚类半径，τ_ij（t）是t时刻w_i到w_j路径上残留的信息素，路径（i，j）上的信息素量为

其中，r＝A＋d_min＋（d_max－d_min）·B，A、B为常量参数。

④计算类w_i归并到w_j的概率：

其中，S＝｛s∣d_sj≤r，s＝1，2，…，j－1，j＋1，…，M｝，s代表某一类号，S代表到第j类距离小于或等于r的所有类号集合；M为当前的总类数；η_is（t）为权重参数。

⑤若p_ij（t）≥p₀，则w_i归并于w_j邻域，类别数减1。p₀为一给定的概率值。重新计算归并后聚类中心。

⑥判断是否有归并。若无归并，则停止循环；否则，转到第②步继续迭代。