基于量子遺傳算法的K調和均值聚類算法的研究.pdf

1、數(shù)據(jù)挖掘是近年來在信息決策領域較為活躍的熱點課題。在數(shù)據(jù)挖掘的眾多技術中，聚類分析尤為重要，它把數(shù)據(jù)對象分為若干類，讓同一類中對象的相似性盡可能大，不同類間對象的相似性盡可能小，K調和均值聚類算法(KHM)是一種類似于k-means的聚類算法，屬于劃分聚類，該算法用數(shù)據(jù)點與所有聚類中心的距離的調和平均值替代了K-means算法中數(shù)據(jù)點與聚類中心的最小距離，成功地解決了K-means算法對初值敏感的問題。KHM實現(xiàn)簡單，對初值不敏感，收斂

2、速度快，但容易陷入局部最優(yōu)值。遺傳算法是一種高效的全局搜索方法，具有較強的魯棒性和全局尋優(yōu)能力。本文先將遺傳算法跟K調和均值聚類算法相結合，互相取長補短，提出了一種新的算法:基于遺傳算法的K調和均值聚類算法(GAKHM)。并通過實驗驗證了GAKH具有較好的聚類效果。然后，針對GAKHM具有執(zhí)行效率低，時間復雜度大等缺點，本文在GAKHM的基礎上，引入量子算法，從而提出了基于量子遺傳算法的K調和均值聚類算法(QGAKHM)。實驗結果表明Q

3、GAKHM是一種執(zhí)行效率高，聚類效果好的算法。
　　 本研究主要內容包括：首先介紹了本文所需要的基礎知識，主要有聚類分析，遺傳算法和量子遺傳算法相關知識。對它們的基本原理，優(yōu)缺點進行了詳細的分析。其次針對遺傳算法和K調和均值聚類算法的優(yōu)缺點，提出了一種新算法:GAKHM。并從適應度函數(shù)的構造，染色體編碼，選擇算子，交叉算子，變異算子和K調和均值聚類算法的操作等方面對GAKHM進行詳細的描述。實驗結果表明GAKHM算法能夠優(yōu)化聚類