基于量子行为微粒群优化算法的数据聚类

论文摘要

聚类算法在数据分析,数据挖掘等许多地方有广泛的应用,该文探索了基于量子行为的微粒群优化算法（QPSO）及FCM的数据聚类。首先,在分析PSO聚类、QPSO算法聚类的基础上,使用一种新的距离度量方法进行聚类,实验证明了新的度量方法比Euclidean标准更具有健壮性,聚类的结果更精确。在此基础上使用QPSO算法进行数据聚类,实验结果证明了QPSO算法优于PSO算法。QPSO算法不仅参数个数少,随机性强,并且能覆盖所有解空间,保证算法的全局收敛。其次,在QPSO算法中,收缩-扩张系数对于QPSO中的单个粒子的收敛来说是一个至关重要的参数,提出了一种新的聚类算法——适应性的基于量子行为的微粒群优化算法的数据聚类（AQPSO）。AQPSO在全局搜索能力和局部搜索能力上优于PSO和QPSO算法,它的适应性方法比较接近于高水平智能群体的社会有机体的学习过程,并且能保证种群不断地进化。最后,本文针对模糊C均值（FCM）聚类算法存在的缺点,利用量子粒子群优化（QPSO）算法的全局搜索能力,提出了一种新的聚类算法——基于量子粒子群优化的FCM聚类算法（QPSO-FCM）。QPSO-FCM算法先对随机初始点利用QPSO进行优化,然后利用产生的中心点进行聚类。新算法可以降低FCM算法对初始点的敏感度,一定程度上避免了FCM算法易陷入局部极优的缺陷。几组数据实验结果表明,与FCM和PSO-FCM算法相比,本文提出的QPSO-FCM算法聚类结果更可靠。继续在QPSO中使用新的距离公式与FCM相结合,数据表明新的算法能得到更优的结果。

论文目录

• 摘要
• Abstract
• 第一章 绪言
• 1.1 数据聚类的现状
• 1.2 数据聚类的研究意义
• 1.3 本文的主要研究内容
• 1.4 论文的结构
• 第二章 聚类的算法
• 2.1 划分聚类
• 2.2 层次聚类
• 2.3 基于模型的聚类
• 2.4 其他的聚类方法
• 第三章 新度量标准的量子算法数据聚类
• 3.1 优化算法
• 3.2 欧式及新度量PSO 算法
• 3.2.1 一种新的度量
• 3.2.2 欧式 PSO 算法
• 3.2.3 基于新度量PSO 聚类
• 3.3 欧式及新度量的QPSO 算法
• 3.3.1 QPSO 算法
• 3.3.2 新距离的QPSO 的算法
• 3.4 仿真结果及其结论
• 第四章 适应性量子算法的数据聚类
• 4.1 适应性量子算法聚类
• 4.2 仿真结果及结论
• 第五章 量子粒子群优化算法的模糊C 均值聚类
• 5.1 FCM 算法
• 5.2 QPSO-FCM 聚类
• 5.3 试验结果
• 5.3.1 结果评价标准一
• 5.3.2 结果评价标准二
• 5.4 本章小结
• 总结与展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的文章