实验表明：工蚁能在几小时内将分散在蚁穴各处的大小不同的蚂蚁尸体聚成几类，小的蚁堆通过吸引蚂蚁积攒更多的尸体来逐渐变大，这种正反馈会导致蚁堆逐渐越积越大，以达到聚类数据的目的。Deneubourg等人提出了一种基本模型（basic model，简称BM），用来解释蚂蚁尸体堆积成蚂蚁墓的行为，并模拟实现了蚁群的聚类过程。基本模型的主要思想是分散的对象被蚂蚁“拾起”（picked-up）并随机移动，然后在与被拾起对象相似的对象附近被“放下”（dropped）。Lumer和Faieta对Deneubourg的基本模型进行泛化，并应用于数据分析，提出了LF算法。LF算法不必预先指定簇的数目，并能构造任意形状的簇。算法的主要思想是：先将所有多维属性空间中的数据对象随机地投影到二维网格平面上，然后在这个平面上产生一些虚拟蚂蚁，每只蚂蚁在二维平面上随机选择一个数据对象，随即蚂蚁计算该数据对象与邻域半径内其他数据对象之间在属性空间中的相似性。如果不相似，蚂蚁将数据对象拾起并随机移往别处，然后再计算，直到移到与周围对象相似的地方被放下，再随机选择下一个数据对象；如果相似，蚂蚁不会拾起该数据对象，将随机选择下一个数据对象。这样，数据对象被逐渐聚类。