文档介绍：基于变长染色体的量子遗传聚类算法研究【摘要】:量子遗传算法是量子计算理论与遗传算法相结合的产物, 是上世纪 90 年代后期发展起来的一个研究领域。量子遗传算法具有收敛速度快、全局搜索能力强等优点, 在处理优化问题方面具有很强的优势。数据挖掘是随着数据库技术的不断发展而形成的一门新学科。通过数据挖掘能从海量数据中发现有用数据, 具有很强的实用性。聚类分析是数据挖掘中非常重要的分支, 作为一种无监督的模式识别技术被广泛应用于各个行业。 K- 均值聚类是聚类分析方法中的一种, 具有算法简洁、收敛速度快等优点。但传统的 K- 均值算法具有对初始值敏感、容易陷入局部最小值等缺点, 且聚类中心数目 k 需人为经验确定,导致分类结果不一定最优。本文在前人的研究成果基础上, 提出一种基于变长染色体的量子遗传聚类算法。首先, 对初始种群做出了改进。种群中染色体长度不再是定值,而是在某一范围内取值。这些长度变化的染色体组成聚类中心的集合。这样就避免了 k 值人为经验确定而带来的问题。其次, 设计了变长操作函数。在进化过程中, 各聚类中心以最优聚类中心为目标进行量子旋转门操作, 同时调整其染色体长度,以实现聚类数目的变化。算法采用 Matlab 进行编程实现, 在不同数据集上进行多次实验, 并与量子遗传聚类算法及 k- 均值算法进行比较, 实验结果显示本文算法有更好的聚类结果。最后将算法应用到银行客户聚类上,并针对聚类结果提出了不同的营销策略, 证实了算法的实用性。【关键词】:量子遗传算法 K- 均值聚类量子遗传聚类变长染色体【学位授予单位】:山西财经大学【学位级别】:硕士【学位授予年份】: 2013 【分类号】: ;TP18 【目录】:摘要 6-7Abstract7-101 绪论 10- 量子遗传算法研究背景及现状 10- 聚类分析研究背景及现状 12- 本文主要工作和组织结构 13-14 2 聚类分析 14-222. 1 聚类分析及应用 142. 2 数据挖掘对聚类算法的要求 14-152. 3 聚类分析中的数据类型 152. 4 聚类分析中的相似度度量方法 15- 区间标度变量 15- 二元变量 16- 分类、序数和比例标度变量 17- 主要聚类方法的分类 18--means 算法 19--means 算法原理 19--mean s 算法优缺点分析 212. 7 本章小结 21-22 3 量子遗传算法 22-303. 1 量子计算 22- 量子比特 22- 量子逻辑门 23-243